摘要
在信息过载问题日益突出的当下，推荐系统作为一种十分有效的解决办法，近年来越来越受到重视，并被广泛应用于各种各样的场合中，如电子商务系统、社交网络系统等，极大方便了人们的生活。尽管推荐系统已经较好解决了信息过载问题，但冷启动问题的存在却成为了限制其性能进一步提升的瓶颈。近年来，随着对推荐系统研究的深入，如何解决冷启动问题也逐渐成为了广大推荐系统研究者们十分关注的热点问题之一，并相继提出了一系列十分有效的模型。跨域推荐系统作为缓解冷启动问题的思路之一，近年来也越来越受到关注，并且取得了不错的推荐效果。 本文主要致力于应用基于映射的跨域推荐技术解决推荐系统中的冷启动问题，提出了两种不同的基于映射的跨域推荐模型，并进行了大量实验验证了模型的有效性，其研究工作内容主要如下： 目标域特征感知与互补用户迁移的跨域推荐模型。目前，基于映射的跨域推荐技术在解决冷启动问题上已取得了十分不错的效果，其方法主要分为两类，一类关注共性，即所有用户共享一个映射函数；另一类则关注个性，即为每个用户分别分配个性化的映射函数。然而，这两类方法均没有考虑到用户共性与个性的互补性。此外，这两类方法也忽视了目标域知识本身的挖掘。为解决以上问题，本文提出了目标域特征感知与互补用户迁移的跨域推荐模型。一方面，提出个性-共性互补映射模块以显式建模用户个性和共性的互补信息，另一方面，提出了关系网络以挖掘目标域知识。最后，在Amazon数据集上的实验取得了目前最优的效果，验证了本文所提出模型的有效性。 联合元网络与对比学习的目标提升跨域推荐模型。通过利用源域的辅助信息，跨域推荐系统提供了一种十分有效的用于缓解目标域数据稀疏性问题的方法。最近，基于元学习的推荐方法相继被提出并取得了最优的性能。然而，这些方法仅利用源域信息来学习迁移桥而忽视了丰富目标域信息。并且，它们要么使用一个公共桥要么使用一个个性化桥来转换用户表示，忽视了用户的多粒度的特征。在本文中，提出了联合元网络与对比学习的目标提升跨域推荐模型来解决上述问题。具体地，本文提出了目标桥来引入目标域信息进而引导用户偏好迁移的学习过程。另外，本文还提出了多粒度迁移机制来建模用户在源域和目标域之间的复杂偏好的迁移模式。最后，本文提出了目标感知对比学习模块以获得更好的用户表示。三个不同跨域推荐任务的实验结果显著优于所有基线模型，验证了本文提出的跨域推荐模型的有效性。
NETL