一种利用深度耦合自编码器的跨域推荐系统

《ACM Transactions on Recommender Systems》：A cross-domain recommender system using deep coupled autoencoders

针对推荐系统中的数据稀疏性和冷启动问题，本文提出两种耦合自编码器方法，分别通过跨域联合映射和联合正则化优化生成用户与物品的潜在因子，并在共享物品/用户的双域场景下验证了方法的优越性。

　　

摘要

长期存在的数据稀疏性和冷启动问题是推荐系统面临的棘手且令人困惑的难题。跨域推荐作为一种领域适应框架，通过利用多个领域中的信息，有效解决了这些具有挑战性的问题。在本研究中，我们探讨了一个项目级相关性的跨域推荐任务，其中源领域和目标领域包含共同的项目。此外，还考虑了一个用户级相关性的场景，即这两个相关领域包含共同的用户。针对这些场景，我们提出了两种基于耦合自编码器的深度学习方法用于跨域推荐。第一种方法旨在同时学习一对自编码器，以揭示源领域和目标领域中的内在表示，并通过一个耦合映射函数来模拟这些表示之间的非线性关系。第二种方法基于一个新的联合正则化优化问题构建，它使用两个自编码器以深度和非线性的方式生成用户和项目的潜在因素，同时学习一个数据驱动的函数来跨领域映射这些潜在因素。大量的数值实验表明，我们提出的方法在性能上优于几种现有的跨域推荐框架。