1827.
跨域推荐(cross-domain recommendation,CDR)通过利用其他域的额外知识,有效缓解了传统推荐系统遭遇的数据稀疏性问题. 但是当前的CDR方法忽略了用户-项交互图所蕴含的高阶信息. 为此,提出了一个新的框架,称为图卷积宽度跨域推荐系统(graph convolutional broad cross-domain recommender system,GBCD). 具体地,将传统的用户-项交互的2-部图扩展到一个(
D+1)-部图,以建模每个域中用户和项之间的关系,然后使用公共用户作为源域和目标域之间的桥梁来传递信息. 通过图卷积网络(graph convolutional network,GCN)学习用户与项之间的高阶关系,以聚合领域信息. 然而,由于GCN在大量节点下收敛速度非常慢,并倾向于吸收不可靠的交互噪声,导致鲁棒性较差. 为此,将域聚合特征输入到宽度学习系统(broad learning system,BLS),并利用BLS的随机映射特征增强了GCN的鲁棒性,进而获得了较好的推荐性能. 在2个真实数据集上进行的实验结果表明,GBCD优于各种先进的跨域推荐方法.… …
相似文献