【KDD2020】 半监督迁移协同过滤推荐

推荐系统的数据稀疏性是一个固有的挑战，因为推荐系统的大部分数据都来自于用户的隐式反馈。这就带来了两个困难：

一是大部分用户与系统的交互很少，没有足够的数据进行学习;

二是隐式反馈中不存在负样本。通常采用负样本的方法来产生负样本。

然而，这导致了许多潜在的正样本被误标记为负样本，数据的稀疏性会加剧误标记问题。这是容易解释的，因为：用户购买了某一商品，你可以说他喜欢这一商品；但是用户如果没有买的那些商品，你没有办法说他就不喜欢。为了解决这些困难，作者没有像其他的做法一样，而是将稀疏隐式反馈的推荐问题作为半监督学习任务，并探索领域适应（Domain Adaptation）来解决这个问题。具体地，是将从密集数据中学习到的知识转移到稀疏数据中，并专注于最具挑战性的没有用户或项目重叠的情况。

在这种极端情况下，直接对齐两个数据集的嵌入并不理想，因为这两个潜在空间编码的信息非常不同。因此，作者采用领域不变（domain-invariant）的文本特性作为锚点来对齐潜在空间。为了对齐嵌入，我们为每个用户和项提取文本特性，并将它们与用户和物品的嵌入一起提供给域分类器。训练嵌入来迷惑分类器，并将文本特征固定为锚点。通过域适应，将源域内的分布模式转移到目标域。由于目标部分可以通过区域自适应来监督，因此我们在目标数据集中放弃了负采样以避免标签噪声。