一、背景

推荐系统中存在数据稀疏性和冷启动问题，对准确有效地建模用户兴趣设置障碍。

跨域推荐是其中一种合适的解决上述挑战的方向，即通过迁移学习技术将知识从信息性推荐场景(源领域)转移到具有稀疏交互的场景(目标领域)。

跨域推荐有两种场景，一种是只关注目标域的效果提升，一般是利用源域丰富的数据提升目标域（稀疏数据）的效果。另一种是两个域的效果都要有提升。本文介绍的方法属于后一种。

二、模型

2.1 问题定义

2.1 overview

2.2 Cross-domain Graph Convolution

2.1.1 embedding的初始化

⊗是最大池化函数（max pooling operation）。

重叠用户的embedding需要初始化对齐，这里采用了各自domain初始化后取每个维度的最大值作为重叠用户的embedding值。文中还采用了sum and averaging等方式，但实验结果没有显著差异。

另外：以前我做过实验，如果重叠用户的embedding初始化不对齐，实验效果会变差，所以对齐是合理的，这里是说只要对齐了，用哪种方式对齐都没有显著差异。

2.1.2 GNN 消息传递机制

对于某个用户的聚合机制如下：

对于所有用户的批处理聚合机制如下：

解读：这里的聚合机制是论文的改进点之一，除了用gcn的聚合机制外，它还对聚合后的emb和原本的emb进行隐式的交叉，获取GNN每一层中更丰富的用户和物品表征。

2.1.3聚合后的用户物品embedding

这里采用了每一层embedding concat的方式作为gnn层最终的embedding表示。其他的方式还有只用最后一层或者所有层的平均。

2.3 User Interest Alignment

以往的方法直接聚合共同用户的embedding，有损用户兴趣的挖掘。

不同的domain数据对共同用户的偏好学习可能是不一致的，例如梯度方向不一致导致共同用户的embedding学习有误差。

所以，用一些辅助的loss对共同用户的embedding学习做一些正则，会有效果。

2.3.1 User-User Alignment

这里是尝试采用用户的二阶邻居作为用户的embedding表示，不同的domain的聚合结果不一样。

这里尝试构建K个兴趣，尝试将不同domain的embedding在同一个兴趣上具有相似性。

采用了soft label的ce loss：

源域和目标域相互拟合，所以有两个loss。

2.3.2 User-Item Alignment

2.4 Model Optimization

用双塔求用户对item的logit分数

用 BCE loss作为主任务的loss

最后的主任务loss是两个domain的主loss和。

最后的loss是主任务的loss加上两个辅助任务的loss

三、实验结果

3.1 主实验

论文标题：Cross-domain recommendation via user interest alignment论文连接：Zhao, Chuang, et al. "Cross-domain recommendation via user interest alignment." Proceedings of the ACM Web Conference 2023. 2023.代码地址：https://github.com/Data-Designer/COAST