基于兴趣引导的知识迁移的跨域序列推荐

《Neural Networks》：Cross-Domain Sequential Recommendation via Interest-Guided Knowledge Migration

　　

李旭婷|王少青|王燕|杨浩然|孙福珍

摘要

跨域序列推荐（CDSR）通过利用辅助领域中的信息来缓解目标领域的数据稀疏问题，从而获得了广泛关注。然而，大多数现有的CDSR方法未能有效地将领域不变知识整合到特定领域的模型中。此外，它们往往忽略了跨域场景中用户兴趣的多样性和领域特异性，这可能导致负面迁移现象。为了解决这些挑战，我们提出了一个基于兴趣引导的知识迁移（IGKM）的跨域序列推荐框架。首先，我们引入了L²oME机制，该机制将低秩适应（LoRA）与专家混合（MoE）架构相结合，并通过分层集成操作动态细化用户特定领域的表示。然后，我们设计了领域共享的多兴趣提取模块，从跨域共享序列中捕获细粒度的用户兴趣表示。接下来，我们利用这些兴趣表示作为兴趣引导条件，并将其与跨域桥接变换器模块集成，以实现选择性知识迁移和个性化推荐。在三个数据集上的实验结果表明，IGKM框架通过有效抑制负面迁移并提高推荐准确性，优于现有的跨域推荐方法。源代码可在以下链接公开获取：https://github.com/userLi2001/IGKM.git。