Hyperbolic Knowledge Transfer in Cross-Domain Recommendation System

跨领域推荐（CDR）旨在利用不同领域的知识来缓解目标推荐领域中数据稀疏的问题，近年来受到越来越多的关注。尽管在这个领域已经有了显著的进展，但大多数当前的方法仍然将用户和物品表示为欧几里得空间，这对于处理推荐系统中长尾分布的数据并不理想。此外，添加来自其他领域的数据可能会恶化整个数据集的长尾特征，使得有效地训练CDR模型更加困难。最近的研究表明，双曲方法特别适合建模长尾分布，这促使我们探索在CDR场景中使用双曲线表示用户和物品。然而，由于不同领域的不同特征，将双曲线表示学习应用于CDR任务是非常具有挑战性的。在本文中，我们介绍了一个名为Hyperbolic Contrastive Learning（HCTS）的新框架，旨在捕捉每个领域的独特特征，同时实现领域之间的有效知识转移。我们通过将每个领域的用户和物品分别嵌入，并将它们映射到具有可调曲率的不同双曲曲面上进行预测，从而实现这一目标。为了改进目标领域中用户和物品的表示，我们开发了一个双曲对比学习模块进行知识转移。对真实世界数据集的广泛实验表明，双曲曲面是CDR任务中欧几里得空间的一个有前途的替代方案。

本论文旨在解决跨领域推荐系统中数据稀疏性的问题，并探索使用双曲空间表示用户和物品的可行性。

论文提出了一种名为Hyperbolic Contrastive Learning (HCTS)的框架，将用户和物品从不同领域分别嵌入到不同的双曲流形中，并设计了一个双曲对比学习模块用于知识迁移。

论文在真实世界数据集上进行了广泛实验，证明了双曲流形在跨领域推荐中是一个有前途的替代欧几里得空间的选择。论文还开源了代码。

最近的相关研究包括：Cross-Domain Recommendation via Joint Triplet Embedding和Hyperbolic Knowledge Graph Embeddings among others.