双向迁移图协同过滤GCF的跨域推荐
2020,CIKM
《Cross Domain Recommendation via Bi-directional Transfer Graph Collaborative Filtering Networks》
- 背景:
个性化推荐充分利用用户的历史交互数据来预测用户可能购买的商品。协同过滤是个性化推荐的常用方法,基于相似用户或项目学习推荐模型,CF的关键是有效学习用户项目特征。GCN也是一种提取特征的有效方法。数据稀疏性是推荐系统面临的问题。 - 已有方法:
跨域推荐利用相关域的信息能够有效地解决数据稀疏性问题。近年来,跨域协同过滤受到了广泛关注。 - 存在问题:
域间的差异性使得知识迁移困难。当前的方法只考虑共享相同的特征,并没有考虑用户在特定域中的特征,当特定域的特征占比重时,这些方法会限制迁移的效果。[例如:两个域:书域和电影域。一些用户特征是域特定的,比如电影域中,用户会表现出对音乐,拍摄的喜好,这些特征在图书域中是没有的。如果使用现有方法,用户特征在两个域中是相同的,结果是基于共享的特征给用户推荐的电影可能不满意。] - 本文:
基于图协同过滤网络,为跨域推荐提出了双向迁移学习方法。BiTGCF不仅利于用户项目图的高阶连通性,而且以相同用户为桥梁,实现两个域上知识的双向迁移。此外,与之前跨域推荐方法不同的地方在于,BiTGCF在迁移的过程中融合了用户相同和域特定的特征。
- 具体:
BiTGCF主要包含三部分:
5.1 嵌入层
初始化用户项目嵌入向量。
5.2 特征传播和迁移模块
通过域内的特征传播和域间的特征迁移修正初始的特征。
(注意:特征迁移时只迁移用户特征,项目特征通过特征传播模块在两个域中的高阶连通性实现)
(1)特征传播:
聚合邻居的信息修正节点的特征。
用户项目的特征传播函数:
:归一项避免嵌入向量随着传播次数的增加而增加。
(2)特征迁移:
迁移函数:
控制用户在相关域的权重;
是用户在AB域的相同特征;
是用户在特定域的特征。
5.3 预测层
拼接不同层的嵌入向量输出用户与项目交互的概率。
基础知识:
- 非线性激活函数和变换矩阵会减少模型的参数,导致过拟合。
- 推荐系统常用两种损失函数:
(1) point-wise:关注预测评分的准确性;
(2) pair-wise:关注排名的准确性。
双向迁移图协同过滤GCF的跨域推荐相关推荐
- 跨域推荐: 迁移学习和推荐系统的火花碰撞
作者 | Chilia 整理 | NewBeeNLP 什么是跨域推荐呢?一句话概括就是:跨域推荐(Cross-Domain Recommendation)是 迁移学习 在推荐系统中的一种应用. 跨域推 ...
- 迁移学习与跨域推荐,以及解决跨域推荐的方法
本文主要是详细介绍一下跨域推荐,包含但不局限于以下几个部分: 迁移学习 跨域推荐 跨域推荐可以怎么做 冷启动的其他一些方法 可以参考的论文有哪些 1. 迁移学习 以下内容参考[推荐系统中的多任务学习- ...
- 论文解读:跨域推荐模型MiNet
论文下载 代码下载 论文解读:跨域推荐模型MiNet 一.跨域推荐基础概念 1.1.什么是跨域推荐 1.2.跨域推荐的优劣 优势 劣势 二.背景 三.模型设计 3.1.3种类型用户兴趣 跨域长期兴趣( ...
- WWW 2023 | 无图协同过滤
©PaperWeekly 原创 · 作者 | 夏良昊 单位 | 香港大学 研究方向 | 推荐系统 论文题目: Graph-less Collaborative Filtering 收录会议: WWW ...
- 推荐策略产品经理:剖析协同过滤(千人千面推荐的核心 )
本文为PMCAFF专栏作者凤城狂客出品 前文:剖析千人千面的大脑--推荐引擎部分,其中这篇是定位:对推荐引擎中的核心算法:协同过滤进行深挖. 首先,千人千面融合各种场景,如搜索,如feed流,如广告, ...
- 基于内容的推荐java代码_三种推荐算法简介:基于用户的协同过滤、基于物品的协同过滤、基于内容的推荐...
1.推荐算法 1.1.协同过滤 协同过滤是目前应用最广泛的推荐算法,它仅仅通过了解用户与物品之间的关系进行推荐,而根本不会考虑到物品本身的属性. 可分成两类: 1.基于用户(user-based)的协 ...
- 协同过滤算法_机器学习 | 简介推荐场景中的协同过滤算法,以及SVD的使用
本文始发于个人公众号:TechFlow,原创不易,求个关注 今天是机器学习专题的第29篇文章,我们来聊聊SVD在上古时期的推荐场景当中的应用. 推荐的背后逻辑 有没有思考过一个问题,当我们在淘宝或者是 ...
- 《网络电视节目推荐系统----基于用户协同过滤与基于内容的推荐算法的后融合》
文章目录 一.什么是推荐系统 二.产生原因 由上我们可以得知,推荐系统产生的两大原因 三.应用场景 四.推荐系统的评测方法 1. 推荐系统的三大实验方法 a. 离线实验: b. 用户调查 c. 在线实 ...
- 跨领域推荐,实现个性化服务的技术途径
本文由携程技术中心投递,ID:ctriptech.本文整理自上海交通大学计算机系教授曹健,在携程个性化推荐与人工智能Meetup上的分享. 1.跨领域推荐的概念 推荐系统在我们这个时代扮演了越来越重要 ...
- TKDE2022 | 最新深度学习推荐系统综述:从协同过滤到信息增强的推荐系统
省时查报告-专业.及时.全面的行研报告库 省时查方案-专业.及时.全面的营销策划方案库 [免费下载]2022年2月份热门报告盘点 某短视频APP推荐算法及策略最详细拆解 机器学习在B站推荐系统中的应用 ...
最新文章
- Python必备基本技能——命令行参数args详解
- 【JSConf EU 2018】Ryan Dahl: Node.js 的设计错误
- Android开发工具——ADB(Android Debug Bridge) 三DalvikVM之jdwp线程
- 阿里云云服务器更新GCC是提示错误解决方案
- RT-Thread的位图调度算法分析(最新版)
- paip.从HTML select 获取数据
- js正则表达式校验手机号码和电话号码
- 分布式系统架构的优缺点
- 浏览器默认设置SameSite属性的作用
- iphone或者ipad上安装自己打包的ipa文件
- 使用 Gitee 进行代码管理
- 【设计】工业设计公司设计师的原则
- PHP执行shell_exec方法失败
- Python实现简易万年历
- Qt使用OpenGL绘制图形
- js实现video视频标签试看6分钟
- 以“人”为本,精准营销
- Tensorflow让神经网络自动创造音乐
- 小汪汪服务器不稳定,小汪汪闪退了怎么办 小汪汪闪退问题解决办法
- 如何快速的开发一个完整的iOS直播app(原理篇)