本技术提供一种基于变分自监督编码与动态伪重叠判定的跨域推荐方法,本发明设计了变分自监督编码模块优化边缘用户、项目特征表示,并采用最大化互信息策略对不同的边缘用户、项目特征表示进行区分,有效缓解边缘用户信息不足问题,从而减少源域与目标域间数据稀疏性差异,缓解负迁移问题;其次,针对用户部分重叠推荐场景,在动态伪重叠判定模块中,提出动态伪重叠判定机制,对两域重叠用户与非重叠用户聚类获取伪重叠用户集,能够最大化重叠用户面积,有效连接源域与目标域,从而提升跨域推荐性能,最后,在特征重构与推荐模块中,能够输出更加准确的源域、目标域的预测交互评分,最终实现跨域推荐。
背景技术
跨域推荐(Cross-Domain Recommendation, CDR)方法利用源域中丰富的交互信息作为辅助来改善目标域数据稀疏问题。以图神经网络(Graph Neural Network, GNN)为代表的深度学习技术在跨域推荐领域广泛引用,但由于源域和目标域的数据通常存在稀疏性差异,盲目地将源域的特征偏好迁移到目标域,有时不仅不能提升目标域的推荐性能,反而会降低推荐的准确性,由此产生负迁移问题,使得源域中的丰富信息无法直接用于目标域中。
然而,传统缓解负迁移问题做法因未考虑不同域间的稀疏性差异根源于边缘用户的存在,无法有效缓解负迁移问题。同时,现有的CDR方法,普遍设定的源域用户与目标域用户完全重叠推荐场景不具备普适性,非重叠用户信息在跨域任务中往往难以有效提取,影响跨域推荐性能。
实现思路