Aiming at the Target: Filter Collaborative Information for Cross-Domain Recommendation

跨领域推荐系统（CDR）旨在利用其他相关领域的数据来提高目标领域的性能。然而，来自源领域的无关信息可能会降低目标领域的性能，这被称为负迁移问题。已经有一些尝试解决这个问题的方法，主要是通过设计适应性重叠用户表示来实现的。然而，表示的适应仅依赖于CDR模型的表达能力，缺乏明确的约束来过滤目标领域的无关源领域协作信息。 在本文中，我们提出了一个新颖的协作信息正则化用户转换（CUT）框架，通过直接过滤用户的协作信息来解决负迁移问题。在CUT中，采用目标领域的用户相似性作为用户转换学习的约束来过滤源领域的用户协作信息。CUT首先从目标领域学习用户相似关系。然后，源-目标信息传输由用户相似性指导，我们设计了一个用户转换层来学习目标领域的用户表示，并使用对比损失来监督传输的用户协作信息。结果表明，与SOTA单一和跨领域方法相比，CUT的性能显著提高。对目标领域结果的进一步分析表明，CUT可以有效地缓解负迁移问题。

解决问题：论文试图解决跨域推荐系统中的负迁移问题，即源域的无关信息对目标域性能的影响。

关键思路：提出一种基于协同信息正则化用户转换的框架，通过过滤源域用户的协同信息来解决负迁移问题。

其他亮点：CUT框架通过学习目标域用户相似性关系来指导源-目标信息转移，使用对比损失来监督用户协同信息的转移，实验结果表明CUT相对于其他单一和跨域方法具有显著的性能提升。

相关研究：最近的相关研究包括基于表示学习的跨域推荐方法和基于领域适应的推荐方法。