MDAP：A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommend

MDAP:A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation

解决的问题

1 偏好异质性（preference heterogeneity）：主要挑战。不同领域中的用户行为可能由不同的潜在偏好驱动。例如，用户可能在阅读小说时优先考虑类型，但在选择电影时首先考虑导演。这些偏好特征通常纠缠在一个域中，使得很难将行为从一个域推广到另一个域。在CDR中，解决这种偏好异质性对于更准确地捕获不同领域的用户偏好至关重要。【这是CDR专有的挑战】
2 特征空间差异：不同的领域可能具有显著不同的特征空间，使得直接迁移学习不太有效，并可能导致负迁移。
本文解决了偏好异质性：解耦和选择多视图用户的喜好，以减轻负转移，捕捉不同的用户偏好跨域与多视图编码器。
本文使用多视图编码器：使用Gumbel-Softmax技术，让编码器生成多个软分配矩阵，捕捉用户偏好的各方面，提高系统的适应性。
本文设计了特定于领域的门控机制：自适应地组合来自不同视图的嵌入，确保有效的解耦和转却的推荐匹配。
本文实施了知识迁移并进行了实验验证：通过跨域共享编码器和解码器实现迁移。

MADP模型

多视图编码器被设计成将用户编码成k个不同的嵌入，每个嵌入代表用户偏好的唯一视角。我们首先生成类别分类日志：
类别分配逻辑C的生成包括几个步骤：首先，将项嵌入和核心嵌入归一化。随后，对交互矩阵进行归一化，并应用丢弃。最后，通过归一化项嵌入和核嵌入的矩阵乘法生成类别分配逻辑C。然后，解码器利用这些逻辑C来生成k个用户嵌入，每个用户嵌入捕获用户偏好的不同方面。
其次，使用Gumbel-Softmax技术从类别分配逻辑矩阵生成k个软分配矩阵。这些矩阵用于对用户-项目交互矩阵进行加权，从而产生视图特定的输入。然后对这些输入进行编码，以获得每个用户的k个不同的视图特定嵌入。
给定用户-项目交互矩阵Rd和类别logits矩阵C，具体步骤如下：

这里从均匀分布中提取U以生成Gumbel噪声，通过将Gumbel-Softmax函数应用于logits矩阵C来计算软分配矩阵S，其中τ是温度参数。
交互矩阵Rd由S加权以产生视图特定输入：

通过这种方法，我们得到多个视图的用户-项目交互矩阵。然后将这些输入编码为嵌入，形式为：

在将用户编码为多视图偏好嵌入之后，门控解码器 以特定于域的方式将它们集成到统一的用户表示中。这种集成由特定于域的门控网络控制，该网络动态地调整每个视图的贡献。
设wd ∈ Rk为域d的选通权重，其中k为不同视图的数量。这些权重确定每个视图在形成该域的组合用户嵌入中的重要性。组合嵌入zd计算如下：

选通权重wd由特定于域的选通网络生成。该网络的输入是域ID d，其通过单层嵌入映射到权重向量wd。其过程如下：

一旦获得了组合嵌入zd，解码器就重构域d的用户-项目交互矩阵R_d。这种重建通常使用多层感知器（MLP）来实现，表示为f：

该模型的总体目标函数是最大限度地减少重建损失，同时确保跨域的用户表示的有效解开。这可以形式化为：

算法过程如下：

评价指标与结果

Recall@20

NDCG@20

消融实验

代码链接

    https://github.com/The-garden-of-sinner/MDAP