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，缓解目标推荐领域中数据稀疏的问题，在近年来越来越受到关注。虽然在这个领域已经有了显著的进展，但大多数当前的方法表示用户和物品在欧几里得空间中，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，使训练CDR模型变得更加困难。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场景中使用双曲表示来表示用户和物品。然而，由于不同领域的不同特征，将双曲表示学习应用于CDR任务是非常具有挑战性的。在本文中，我们引入了一个新的框架，称为Hyperbolic对比学习（HCTS），旨在捕捉每个领域的独特特征，同时实现领域间的高效知识转移。我们通过分别嵌入来自每个领域的用户和物品，并将它们映射到具有可调曲率的不同双曲流形上进行预测，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，双曲流形是CDR任务中欧几里得空间的有希望的替代方案。

本文旨在解决跨领域推荐中数据稀疏性问题，并探索使用双曲空间表示用户和物品的可行性。同时，该论文试图解决如何在不同领域之间进行高效的知识转移的问题。

本文提出了一种新的框架Hyperbolic Contrastive Learning（HCTS），通过将用户和物品分别嵌入到不同的双曲曲面上，来解决跨领域推荐中的数据稀疏性问题，并提高了推荐的准确性。同时，为了解决不同领域之间的知识转移问题，本文还设计了一个双曲对比学习模块。

本文通过实验验证了使用双曲空间表示用户和物品的有效性，并与其他跨领域推荐方法进行了比较。本文使用了多个真实世界数据集进行实验，并将代码公开。该研究表明，双曲空间是处理长尾分布数据的一种有前途的替代方案。

相关研究包括：1）跨领域推荐的其他方法，如基于矩阵分解的方法；2）使用双曲空间进行表示学习的其他研究，如Hyperbolic Neural Networks和Poincaré Embeddings等。