Cross-domain Recommendation Without sharing User-relevant Data简析

Cross-domain Recommendation Without sharing User-relevant Data

介绍

为了联合不同网站的相同数据以提高 推荐质量，但是为了避免商业隐私，文章不使用用户相关的数据，而仅仅使用item的信息，同时为了有效的发掘有用的信号，文章使用了一种新的方法NATR（Neural Attentive Transfer Recommendation）

架构

方法

使用的NATR主要包含四层。

Transfer-enhanced Embedding Layer

与架构图对照着看，首先输入的是$v_u^U$vuU​与$v_i^I$viI​为one-hot 向量，后使用如下公式：

P与Q都是参数矩阵，参数都是可学习的，与one-hot向量相乘就是取某一行的向量，相当于取出对应id的embedding。这称为local embedding。

同时为了使跨域向量维度统一，有一个映射层使迁移的embedding与目标域的维度相同。

Item-level Attention Layer

通过计算local user embedding与transferred item embedding的相似度，得到对应权重，通过权重加和得到additional user embedding。

Domain-level Attentive Layer

将additional user embedding和local user embedding与local item embedding计算相似度得到权重，按照权重加和得到unified embedding。

Prediction Layer

unified user embedding $z_u$zu​与item embedding vector $q_i$qi​作内积，后送入sigmoid函数进行分类。

实验

解决了三个问题：

1. NATR与baseline的表现对比：

   

2. NATR能有效减缓数据稀疏性问题

   

3. item-level和domain level效果：