A Unified Framework for Adaptive Representation Enhancement and Inversed Learning in Cross-Domain Recommendation

跨领域推荐（CDR）旨在提取和转移跨领域的知识，因其在解决数据稀疏和冷启动问题方面的有效性而受到广泛关注。尽管在表示解缠以捕捉多样的用户偏好方面取得了重大进展，但现有方法通常忽略了表示增强，并缺乏严格的解耦约束，从而限制了相关信息的传递。为此，我们提出了一个适应性表示增强和反向学习的跨领域推荐统一框架（AREIL）。具体而言，我们首先将用户嵌入分为领域共享和领域特定组件以解缠混合的用户偏好。然后，我们结合领域内和领域间信息，以自适应方式增强用户表示的能力。特别是，我们提出了一个图卷积模块以捕获高阶信息，以及一个自注意力模块以揭示跨领域相关性并完成自适应融合。接下来，我们采用领域分类器和梯度反转层在统一框架中实现反向表示学习。最后，我们采用交叉熵损失来衡量推荐性能，并通过多任务学习联合优化整个框架。多个数据集上的广泛实验验证了AREIL在推荐性能方面的实质性改进。此外，消融研究和表示可视化进一步说明了自适应增强和反向学习在CDR中的有效性。

本论文旨在解决跨领域推荐中的数据稀疏性和冷启动问题，提出一种统一框架AREIL来增强表示并进行反向学习。

AREIL框架通过将用户嵌入分为领域共享和领域特定组件，采用图卷积模块和自注意力模块来自适应地增强用户表示能力，同时采用领域分类器和梯度反转层来实现反向表示学习。

实验结果表明，AREIL在跨领域推荐中取得了显著的性能提升。论文还进行了消融实验和表示可视化，进一步证明了自适应增强和反向学习的有效性。

在跨领域推荐领域，最近还有一些相关研究，如：《Cross-Domain Recommendation: An Embedding and Mapping Approach》、《Cross-Domain Recommendation via Cluster-Level Latent Representation Alignment》等。