[论文解读] RecSys-DAN: Discriminative Adversarial Networks for Cross-Domain Recommender Systems

Cheng Wang, Mathias Niepert+1 more|arXiv (Cornell University)|Mar 26, 2019

Domain Adaptation and Few-Shot Learning参考文献 50被引用 6

一句话总结

RecSys-DAN 提出了一种无监督的对抗性域自适应框架，用于跨域推荐系统，通过判别式对抗网络将源域的潜在表征迁移至目标域。通过在生成器与判别器之间进行极小化-极大化博弈以生成域不变表征，即使在缺乏目标域评分数据的情况下，该方法仍能实现最先进性能，有效缓解冷启动场景下的数据稀疏性与不平衡问题。

ABSTRACT

Data sparsity and data imbalance are practical and challenging issues in cross-domain recommender systems. This paper addresses those problems by leveraging the concepts which derive from representation learning, adversarial learning and transfer learning (particularly, domain adaptation). Although various transfer learning methods have shown promising performance in this context, our proposed novel method RecSys-DAN focuses on alleviating the cross-domain and within-domain data sparsity and data imbalance and learns transferable latent representations for users, items and their interactions. Different from existing approaches, the proposed method transfers the latent representations from a source domain to a target domain in an adversarial way. The mapping functions in the target domain are learned by playing a min-max game with an adversarial loss, aiming to generate domain indistinguishable representations for a discriminator. Four neural architectural instances of ResSys-DAN are proposed and explored. Empirical results on real-world Amazon data show that, even without using labeled data (i.e., ratings) in the target domain, RecSys-DAN achieves competitive performance as compared to the state-of-the-art supervised methods. More importantly, RecSys-DAN is highly flexible to both unimodal and multimodal scenarios, and thus it is more robust to the cold-start recommendation which is difficult for previous methods.

研究动机与目标

• 解决跨域推荐系统中的数据稀疏性与不平衡问题，尤其是在缺乏目标域评分数据的冷启动场景下。
• 开发一种迁移学习框架，利用表征学习与对抗训练对齐源域与目标域的表征。
• 实现在仅存在未标注用户-物品交互数据的目标域中实现有效推荐。
• 通过整合用户评论、物品图像及其他辅助特征，支持单模态与多模态设置。
• 在目标域中完全无标签数据的前提下，实现与监督型最先进方法相媲美的性能。

提出的方法

• 提出一种新颖的对抗训练方案：目标域中的生成器学习生成能欺骗判别器的域不变表征，该判别器被训练以区分源域与目标域的表征。
• 在生成器与判别器之间建立极小化-极大化博弈，以对齐跨域的潜在表征，从而在无需目标域标签数据的情况下最小化域偏移。
• 提出四种神经架构变体——UI-DAN、U-DAN、I-DAN 与 H-DAN，分别适配用户与物品在不同重叠模式下的跨域场景。
• 结合判别目标与无监督对抗损失，以提升学习表征的质量与可迁移性。
• 利用多模态特征（如评论、图像）丰富用户与物品嵌入，增强对冷启动问题的鲁棒性。
• 先训练源模型，再通过对抗对齐方式适应目标生成器，同时保持源模型参数固定。

实验结果

研究问题

• RQ1 在目标域无标签数据的情况下，对抗性域自适应能否有效实现从源域到目标域的用户与物品表征迁移？
• RQ2 与监督基线相比，RecSys-DAN 在跨域推荐中缓解数据稀疏性与不平衡问题的效果如何？
• RQ3 该模型在冷启动推荐中，对单模态与多模态设置的泛化能力如何？
• RQ4 在缺乏目标域标签的情况下，潜在表征的对抗对齐是否能提升评分预测任务的性能？
• RQ5 在不同用户-物品重叠条件下，不同架构变体（如 UI-DAN、U-DAN 等）的表现如何？

主要发现

• 即使在目标域无任何标签数据的情况下，RecSys-DAN 在评分预测任务中仍能实现具有竞争力的性能，在冷启动设置下优于监督基线方法。
• t-SNE 可视化显示，对抗训练随时间推移成功缩小了源域与目标域表征之间的分布差距。
• 权重可视化证实，目标生成器的参数逐渐收敛至源生成器的参数，表明表征对齐有效。
• 该模型在单模态与多模态场景下均表现出鲁棒性，通过表征迁移有效缓解了冷启动问题。
• 推理速度与基线模型相当，因为 RecSys-DAN 直接适配源评分函数而无需重新训练。
• 在多个域对（如 DM→MI、HK→OP）中均表现出一致的性能提升，验证了其泛化能力。