基于深度学习的跨域推荐方法研究.pdf

基于深度学习的跨域推荐方法研究

摘要

随着互联网的普及和飞速发展，推荐方法已经应用于许多推荐场景，增强用户的

体验感，同时也为跨域推荐方法的研究带来了新机遇。跨域推荐方法将知识从源域迁

移到目标域从而丰富后者信息的方式比单域推荐方法的推荐性能更好。在跨域推荐方

法中对异质辅助域用户项目特征的迁移和融合还有可改进的空间，同时也是影响评分

预测和项目推荐的重要问题。因此，本文从单域方法中的用户项目特征提取和跨域方

法中的特征迁移融合两方面进行研究，论文的主要工作如下：

首先，针对协同过滤域特征提取方法面临的数据稀疏性问题，提出了一种融合近

邻信息的半自动编码器混合域特征提取方法NSeMF（NeighborhoodSemi-Matrix

Factorization）。该方法通过引入近邻偏好辅助信息的MC-WKNN（MatrixCompletion-

WeightedKNearestNeighbor）方法在水平和垂直两个维度上填补原始评分矩阵的缺失

值，然后通过半自动编码器引入项目侧辅助信息并结合矩阵分解联合训练最终提取得

到用户和项目的有效特征。实验表明该方法能显著降低误差，提高推荐性能。

其次，针对跨域推荐方法融合多个异质辅助域特征时产生的负迁移问题，提出了

一种基于多头注意力机制的DeepFM跨域推荐方法MADF-CDR（Multi-Attention

DeepFMCross-DomainRecommendation），旨在跨域特征迁移融合时自动为辅助域分配

更优的权重从而对目标域评分进行准确预测。模型首先利用NSeMF单域特征提取方法

提取多个域的用户和项目特征，在此基础上利用多头注意力机制与跨项目域思想改进

后的DeepFM方法进行跨域特征的迁移与融合，然后利用FM模块和DNN模块对特征

进行一阶二阶以及高阶非线性交叉学习，进而获得目标域的预测评分与推荐结果。模

型充分利用了多辅助域的有效特征，显著提高了跨域推荐性能。

最后，对比实验结果显示融合近邻信息的半自动编码器域特征提取方法与现有方

法相比具有较低的误差，而基于多头注意力机制的跨域推荐模型拥有更高的预测精度

和召回率。

关键词：跨域推荐；近邻辅助信息；半自动编码器；多头注意力机制；DeepFM

基于深度学习的跨域推荐方法研究

Abstract

WiththewidespreadandrapiddevelopmentoftheInternet,recommendationmethods

havebeenappliedtomanyrecommendationscenarios,enhancinguserexperienceandalso

bringingnewopportunitiesforresearchincross-domainrecommendationmethods.Cross-

domainrecommendationmethodsthattransferknowledgefromthesourcedomaintothetarget

domaintoenrichthelatter’sinformationperformbetterthansingle-domainrecommendation

methods.Incross-domainrecommendationmethods,thetransferandfusionofheterogeneous

auxiliarydomainuser-itemfeaturesiscrucial,andalsoanimportantissuethataffectsrating

predictionanditemrecommendation.Therefore,thispaperstudiedfeature