Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach

跨领域推荐为缓解数据稀疏性和冷启动问题提供了潜在途径。嵌入和映射作为经典的跨领域研究流派，旨在识别一种通用映射函数，以在两个领域之间执行表示转换。然而，以往的粗粒度偏好表示、非个性化映射函数以及过度依赖重叠用户等因素限制了它们的性能，特别是在重叠用户稀缺的场景中。为了解决上述挑战，我们提出了一种新的跨领域方法，即CVPM。CVPM将跨领域兴趣转移形式化为参数元学习和自监督学习的混合体系结构，既可以在更细的层面上转移用户偏好，又可以利用非重叠用户的知识进行信号增强。具体而言，通过对用户偏好和价值偏好理论的深入理解，我们认为用户的正向偏好和负向行为之间存在显著差异，因此采用不同的编码器来学习它们的分布。特别是，我们进一步利用预训练模型和物品流行度来采样伪交互项，以确保两个分布的完整性。为了保证偏好转移的个性化，我们将每个用户的映射视为两个部分，即通用转换和个性化偏差，其中用于生成个性化偏差的网络由元学习器输出。此外，除了对重叠用户的监督损失外，我们还设计了对来自群体和个体层面的非重叠用户的对比任务，以避免模型偏差并增强表示的语义。详尽的数据分析和广泛的实验结果证明了我们提出的框架的有效性和先进性。

本文旨在解决跨领域推荐中数据稀疏和冷启动问题，提出了一种名为CVPM的跨领域方法。

CVPM采用参数元学习和自监督学习的混合架构，将跨领域兴趣转移形式化为个性化的映射函数，以更细粒度地传递用户偏好，并利用非重叠用户的知识进行信号增强。该方法采用差异化编码器学习用户的正负偏好分布，并利用预训练模型和物品流行度采样伪交互项，以保证分布的完整性。此外，为了保证个性化偏好转移，每个用户的映射被视为公共转换和个性化偏差两个部分，其中用于生成个性化偏差的网络由元学习器输出。

本文的亮点包括：使用混合架构进行个性化的映射函数，使用差异化编码器学习用户的正负偏好分布，采用预训练模型和物品流行度采样伪交互项以保证分布的完整性，设计了对于非重叠用户的对比任务以增强表示的语义，实验结果表明该方法有效。

最近的相关研究包括：《A Survey on Cross-Domain Recommendation: Approaches and Applications》、《A Unified Framework for Cross-Domain Recommendation》等。