The cross-domain recommendation technique is an effective way of alleviating the data sparsity in recommender systems by leveraging the knowledge from relevant domains. Transfer learning is a class of algorithms underlying these techniques. In this paper, we propose a novel transfer learning approach for cross-domain recommendation by using neural networks as the base model. We assume that hidden layers in two base networks are connected by cross mappings, leading to the collaborative cross networks (CoNet). CoNet enables dual knowledge transfer across domains by introducing cross connections from one base network to another and vice versa. CoNet is achieved in multi-layer feedforward networks by adding dual connections and joint loss functions, which can be trained efficiently by back-propagation. The proposed model is evaluated on two real-world datasets and it outperforms baseline models by relative improvements of 3.56\% in MRR and 8.94\% in NDCG, respectively.


翻译:跨域建议技术是通过利用相关领域的知识来减轻建议者系统中的数据广度的有效方法。 转让学习是这些技术所依据的一种算法。 在本文件中,我们提出一种新的跨域建议转移学习方法,办法是利用神经网络作为基础模型。 我们假设两个基网的隐藏层通过交叉绘图连接,导致合作交叉网络(CoNet)。 CoNet通过引入一个基网与另一个基网之间的交叉连接,使跨域的双重知识转让成为可能。 CoNet通过添加双层连接和联合损失功能,在多层向前网络中实现,这些功能可以通过回路转换得到有效培训。 拟议的模型在两个真实世界数据集上进行评估,通过相对改进MRR3.56 ⁇ 和NDCG8.94 ⁇ 的基线模型,从而优于基准模型。

12
下载
关闭预览

相关内容

Networking:IFIP International Conferences on Networking。 Explanation:国际网络会议。 Publisher:IFIP。 SIT: http://dblp.uni-trier.de/db/conf/networking/index.html
因果图,Causal Graphs,52页ppt
专知会员服务
238+阅读 · 2020年4月19日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
深度强化学习策略梯度教程,53页ppt
专知会员服务
176+阅读 · 2020年2月1日
强化学习最新教程,17页pdf
专知会员服务
168+阅读 · 2019年10月11日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Transferring Knowledge across Learning Processes
CreateAMind
26+阅读 · 2019年5月18日
LibRec 精选:近期15篇推荐系统论文
LibRec智能推荐
5+阅读 · 2019年3月5日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
LibRec 精选:基于LSTM的序列推荐实现(PyTorch)
LibRec智能推荐
50+阅读 · 2018年8月27日
推荐中的序列化建模:Session-based neural recommendation
机器学习研究会
17+阅读 · 2017年11月5日
Arxiv
5+阅读 · 2019年10月11日
Arxiv
10+阅读 · 2019年2月19日
VIP会员
Top
微信扫码咨询专知VIP会员