【WWW2022】交互式超图神经网络用于个性化产品搜索

本文研究了一种弱监督域自适应(WSDA)问题，在该问题中，我们只能访问带噪声标签的源域，并需要从源域将有用信息传递到无标签的目标域。虽然对这个问题的研究不多，但大多数研究都只是利用源域到目标域的单向关系。在这篇论文中，我们提出了一个通用的范例叫做GearNet来开发两个领域之间的双边关系。具体地说，我们将两个域作为不同的输入，交替训练两个模型，并使用对称的Kullback-Leibler损耗对两个模型在同一域的预测进行选择性匹配。这种交互式学习模式能够隐式地消除标签噪声，并利用源域和目标域之间的相关性。因此，我们的GearNet具有极大的潜力来提高各种现有WSDA方法的性能。综合实验结果表明，该系统能够显著提高现有算法的性能。

https://www.zhuanzhi.ai/paper/92a31d3a6d59c9be9df8b47d957523c3