基于互信息的鲁棒跨域推荐系统

摘要

由于大量新用户和新产品的出现，跨域推荐系统已经成为解决推荐系统冷启动问题的关键。然而，现有的跨域推荐系统都假设其训练数据中不存在任何的错误标注，但是在现实情况下，该假设很难得到满足，这就导致了跨域推荐系统在相当多的真实推荐场景下的表现很难令人满意。为了减少现实情况下错误标注对跨域推荐系统的影响，提高真实推荐场景下跨域推荐系统推荐结果的准确性，本文提出了一种基于互信息的鲁棒跨域推荐系统，该推荐系统由域分离网络和互信息鲁棒风险两个模块构成。域分离网络模块很好地解决了源域与目标域差异的问题；在互信息鲁棒风险模块中，提出了一个基于互信息的风险函数来过滤掉数据中的错误标注，使用该风险函数所训练出的跨域推荐系统可以很好地处理训练数据中存在的错误信息，使跨域推荐系统能更好地应用在各种真实的推荐场景下。本文采用对比试验的方法，在真实的数据集上将所提出的方法与几种现有的推荐方法进行了比较，试验表明，现有的推荐方法在现实情况下很难不受到错误标注的影响，而本文提出的方法很好地应对了错误标注的影响，具有更优越的性能。

关键词

推荐系统 / 新用户 / 冷启动问题 / 鲁棒性 / 互信息