GA-DTCDR：A Graphical and Attentional Framework for Dual-Target Cross-Domain Recommendation
A Graphical and Attentional Framework for Dual-Target Cross-Domain Recommendation
IJCAI-Feng Zhu, Yan Wang , Chaochao Chen , Guanfeng Liu and Xiaolin Zheng-2020
思路
单目标跨域推荐是基于数据丰富的领域A信息对领域B中的用户-项进行推荐；而双目标跨域推荐则旨在分别优化两个领域间的跨域推荐效果。
模型
DTCDR
针对两个领域A与B提供的显式反馈（评级和评论），以及隐性反馈行为（购买和浏览历史），辅以辅助信息（用户配置文件和项细节），双域推荐旨在同时提升这两个领域的推荐准确性）。在这种情况下，在这些领域中存在一定程度的重叠现象，在这些领域中存在一类特殊的用户群体即所谓的桥接用户
GA-DTCDR概况
1、输入层：输入数据划分为两类：分级信息与内容信息。
2、图形嵌入层：基于这些信息构建用户-项交互图、用户-用户相似关系图以及项-项相似关系图；通过图应用图嵌入模型Node2vec生成用户与项目嵌入矩阵。
3、特征组合层：提出一种元素级注意力机制用于融合共同用户的两个域中的嵌入表示。
4、神经网络层：引入一个全连接神经网络模型（MLP）来建模各领域中用户的非线性关系。
5、输出层：预测并输出最终的用户与项目的交互结果；同时通过定义损失函数进行模型训练。
图嵌入层
首先，在训练集中...
两个项目的生成概率计算方法采用了相同的思路。 通过分析交互与相似性关系，在域a,b中构建了异构图Ga,Gb。 三、输出结果： 首先基于上述分析结果，在此基础上应用图嵌入模型，并结合Node2vec算法进行处理后; 最终得到了用户的嵌入矩阵U与项目的嵌入矩阵V
特征组合层
借助基于元素级别的注意力机制将来自不同领域的共同用户嵌入进行融合。该机制能够产出领域a和b各自的代表性用户嵌入。例如，在领域a中公共用户ui对应的组合嵌入表示如下： e_{uia} = \text{concat}(e_{ua}, e_{ub})
当处理非跨域用户时，在这两个领域仅采用嵌入表示而不引入注意力机制的情况下，则无法实现有效的信息融合
神经网络层和输出层的训练
目标函数：
为了防止模型过度拟合于Y+（正实例），我们随机选取一定数量的未观察到的交互作为负实例，并用Y-sampled来代替Y-。我们定义观测交互为：
成本函数中的损失函数为：
通过多层感知机（MLP）来表示用户与项目间的非线性关系，在域a中，用户的输入嵌入矩阵和项目的输入嵌入矩阵分别构建了相应的输入嵌入矩阵（其中）。
在输出层中，使用余弦值来预测交互结果：
b域内也是一样的预测函数。
实验分析
数据集分为三类豆瓣子集：书籍类（Book）、音乐类（Music）以及电影类（Movie），并引用自MovieLens. 仅选取参与过至少5次互动的用户及项目，并基于此构建了一个综合的数据集合。该集合包含了评分记录（Rating）、评论内容（Review）以及相关标签信息（Tag），同时整合了用户的配置文件（User config）与项目的详细资料（Item details）。此外，在这一过程中还划分出另一类专门用于研究兴趣相似性预测的数据子集——Second data subset, 该子集仅包含评分记录与标签信息，并着重提取项目的细节特征（Item details）。针对上述两组数据集构建了两类推荐系统基准测试任务：
2、评价指标：采用了基于排名的评估机制，并采用留一法作为评价标准。
该方法的具体性能指标包括命中率HR以及归一化折现累计增益NDCG。
3、对比方法：包括NeuMF、DMF等推荐算法；以及CTR-RBF、BPR-DCDCSR等协同过滤方法；此外还有TMH算法；另外还包括DMF_DTCDR-Concat、DDTCDR等深度学习变体。
4、结果：GA-DTCDR在与所有基线模型的对比中表现出色，在与所有基线模型的对比中发现其效果明显优于其他方法的原因在于充分融合了两个领域的重要信息，并能够有效地结合共同用户的嵌入表示。
通过实验验证可知，在不同维度设置下（k=64）表现最佳。
在不同设置下（k=64），实验结果表明对于TOP-N中的N取值范围1到10之间（k=64），各组实验均呈现出一致的趋势，在不同实验条件下（k=64），无论是HR还是NDCG值均呈现了明显的提升趋势。
结论
本框架基于图嵌入技术和单个元素级别的注意力机制通过双目标优化实现了跨域推荐的效果。
在两个领域中存在一定程度的用户重叠；特别地，在应用元素级别的注意力机制时仅限于重叠用户群体进行操作而无需影响非重叠用户。