[论文解读] Towards Equivalent Transformation of User Preferences in Cross Domain Recommendation

Xu Chen, Ya Zhang+3 more|arXiv (Cornell University)|Sep 15, 2020

Recommender Systems and Techniques被引用 9

一句话总结

本文提出等价变换学习器（ETL），一种用于跨域推荐的新方法，通过相互的、有原则的变换建模用户在不同领域中的偏好，同时保留共享特征与领域特异性特征。ETL 在三个基准数据集上优于最先进方法，通过变分推断与等价变换联合建模用户行为分布，实现卓越性能，且无需启发式设计或数据选择。

ABSTRACT

Cross domain recommendation (CDR) is one popular research topic in recommender systems. This paper focuses on a popular scenario for CDR where different domains share the same set of users but no overlapping items. The majority of recent methods have explored the shared-user representation to transfer knowledge across domains. However, the idea of shared-user representation resorts to learn the overlapped features of user preferences and suppresses the domain-specific features. Other works try to capture the domain-specific features by an MLP mapping but require heuristic human knowledge of choosing samples to train the mapping. In this paper, we attempt to learn both features of user preferences in a more principled way. We assume that each user's preferences in one domain can be expressed by the other one, and these preferences can be mutually converted to each other with the so-called equivalent transformation. Based on this assumption, we propose an equivalent transformation learner (ETL) which models the joint distribution of user behaviors across domains. The equivalent transformation in ETL relaxes the idea of shared-user representation and allows the learned preferences in different domains to preserve the domain-specific features as well as the overlapped features. Extensive experiments on three public benchmarks demonstrate the effectiveness of ETL compared with recent state-of-the-art methods. Codes and data are available online:~\url{https://github.com/xuChenSJTU/ETL-master}

研究动机与目标

• 解决现有跨域推荐（CDR）方法因过度强调共享用户表征而损害领域特异性特征的局限性。
• 开发一种有原则的方法，在统一框架中捕捉用户偏好中的重叠特征与领域特异性特征。
• 消除在选择密集用户样本或设计映射函数网络结构时对启发式人工干预的需求。
• 使用变分推断与等价变换联合建模用户行为在不同领域中的联合分布。
• 提升在 U-NI（用户-无项目重叠）场景下的推荐性能，即领域间共享用户但无任何项目重叠。

提出的方法

• 提出等价变换学习器（ETL），假设一个领域中的用户偏好可被等价地转换到另一个领域。
• 使用变分推断建模用户行为在不同领域中的联合分布，以最大化似然。
• 引入可学习的等价变换模块，用于在不同领域间映射用户表征，同时保留共享与领域特异性特征。
• 对联合用户表征分布使用高斯先验，其超参数控制变换强度与正则化程度。
• 采用类似变分自编码器的结构，学习潜在表征并重建两个领域中的用户行为。
• 通过证据下界（ELBO）优化模型，包含重建损失与先验正则化两部分的独立项。

实验结果

研究问题

• RQ1 能否有效且等价地将一个领域中的用户偏好转换到另一个领域，以提升跨域推荐性能？
• RQ2 如何在不损害任一特征的前提下，联合捕捉用户偏好的共享与领域特异性特征？
• RQ3 基于似然的有原则方法是否优于依赖人工选择密集用户或手工设计网络结构的启发式方法？
• RQ4 不同先验分布对等价变换模型性能有何影响？
• RQ5 控制变换强度与正则化程度的超参数对模型性能有何影响？

主要发现

• ETL 在三个公开基准数据集（Movie & Book、Movie & Music、Music & Book）上达到最先进性能，优于现有方法（包括 DARec 与 EMCDR）。
• 在 Movie & Book 数据集上，ETL 的 HR@10 达到 0.6550，NDCG@10 达到 0.4442，NDCG 指标较次优方法提升超过 0.02。
• 均匀先验因对用户偏好分布假设不匹配而表现持续较差，而高斯先验与拉普拉斯先验表现相当且强劲。
• 超参数敏感性分析表明，最优设置因数据集而异：在 Movie & Book 上，λ ≈ 0.2 与 η ≈ 10.0 效果最佳；在 Movie & Music 上，λ ≈ 5.0 与 η ≈ 0.5 效果最佳。
• MVGaussian 先验未提升性能，可能因参数设定困难且易引入人为偏差。
• 消融实验确认，同时学习共享与领域特异性特征至关重要，仅关注共享特征的模型性能显著下降。