特征对齐与联合深度矩阵分解同步的跨域推荐

摘要

跨域推荐有效地缓解了推荐系统中的数据稀疏和冷启动问题，但同时也面临着不同领域间用户偏好的异质性以及领域差异性带来的挑战.因此，如何建模用户偏好、挖掘各领域的潜在特征，并有效地迁移共享知识，成为提高推荐效果的重要课题.本文在部分用户重叠的场景下，提出了一种基于特征对齐的深度潜在因子跨域推荐模型(DLFCDR),该模型实现了特征对齐与联合矩阵分解同步.模型通过分块形式的用户因子矩阵，捕捉重叠用户和非重叠用户的特征；同时，从类-子类的层级角度细分项目的特征空间，学习项目深层次的特征表示.通过映射对齐源域和目标域中项目各层的特征，实现领域间的自适应.此外，模型采用联合矩阵分解形式的协同过滤来实现知识共享.本文采用自适应的交替投影梯度算法来更新各变量，并在真实数据集上进行了3个任务的实验.结果表明，与对比模型相比，新模型的效果至少提升了7.46%,验证了新模型的有效性.

关键词

跨域推荐 / 域自适应 / 用户部分重叠 / 潜在因子 / 特征对齐