多视图图之间的互知蒸馏与对比学习在跨领域推荐中的应用

《ACM Transactions on Information Systems》：Mutual Knowledge Distillation and Contrastive Learning between Multi-View Graphs for Cross-Domain Recommendation

跨领域推荐系统通过对比学习机制和知识蒸馏方法解决知识迁移与表征解耦难题，提出KDCLM模型采用多视图图架构整合局部与全局视图，在用户-项目交互基础上构建异构图，实现领域不变表征与差异表征的协同优化，显著提升推荐效果。

　　

摘要

作为一种有效解决传统推荐系统中数据稀疏性和冷启动问题的工具，跨域推荐依赖于解决两个基本问题：如何传递知识以及传递什么知识。现有方法在这些方面存在局限性，例如领域之间的联系受限、表示解耦不足以及知识传递不够充分。为了解决这些挑战，我们提出了一种新的模型KDCLM，该模型在多视图图架构中整合了先进的知识蒸馏和对比学习机制。该模型包含两个视图——局部视图和全局视图——它们都基于用户-物品交互构建多个图来建立更丰富的领域联系。具体而言，局部视图采用了两种对比学习机制：一种用于对齐领域不变的表示，另一种用于区分特定领域的表示，这两种机制共同实现了有效的表示解耦。此外，我们在全局异构用户-物品交互图与同构的用户-用户和物品-物品关系图之间应用知识蒸馏，以促进充分的知识传递。通过在真实世界的跨域推荐任务中进行的大量实验，我们提出的KDCLM模型显示出比当前最先进方法显著的改进。我们的源代码发布在https://github.com/fanydan/KDCLM。