SimCDR：保留用户域内相似性以实现跨域推荐

《ACM Transactions on Information Systems》：SimCDR: Preserving Intra-Domain Similarities of Users for Cross-Domain Recommendation

跨域推荐通过迁移源域知识缓解数据稀疏问题，现有方法依赖跨域映射但易受初始化和训练随机性影响。本文提出SimCDR框架，通过预测相似用户任务保持源域内相似性，支持多源域和嵌入压缩，实验验证有效性。

　　

摘要

跨域推荐（CDR）通过将源域的知识迁移到目标域，可以有效缓解推荐系统中的数据稀疏问题。许多CDR方法试图找到源域和目标域中重叠节点（例如，重叠用户）的潜在嵌入之间的映射关系。然而，由于参数初始化和模型训练的随机性，不同域的嵌入可能存在很大差异，因此跨域映射关系难以学习。为此，在本研究中，我们提出了一种新颖的保持相似性的跨域推荐框架（SimCDR）。SimCDR并不试图学习跨域映射关系，而是致力于保持用户在同一域内的相似性，即确保在源域中关系密切的用户在目标域中仍然保持紧密联系。具体来说，我们首先验证了用户嵌入的域内相似性能够很好地表征域知识。在此基础上，我们提出了SimCDR框架，该框架增加了预测相似用户的辅助任务，以保持源域用户嵌入的域内相似性，即保留源域知识。除了在知识迁移方面具有独特性外，SimCDR还支持多个源域和嵌入压缩，使其更适用于实际应用。我们进行了全面的实验来验证所提出方法的有效性。