KDD 2022 | 如何在跨域推荐中使用对比学习？

论文标题：

Contrastive Cross-domain Recommendation in Matching

论文链接：

https://arxiv.org/pdf/2112.00999.pdf

代码：

https://github.com/lqfarmer/CCDR

跨域推荐（CDR）是借助源域在目标域中提供更好的推荐结果。然而，匹配（matching，即候选生成）模块中的CDR在知识迁移和表征学习上受数据稀疏性和流行度偏差的影响。本文提出了一种对比跨域推荐 (CCDR) 框架，用于CDR中的匹配。具体来说，我们构建了一个巨大的多元化偏好网络来捕获反映用户不同兴趣的多种信息，并设计了一个域内对比学习（intra-CL）和三个域间对比学习（inter-CL）任务，以更好地表征学习和知识转移。域内对比学习通过图增强在目标域内实现更有效和平衡的训练，而域间对比学习从用户、分类和邻居三方面构建不同类型的跨域交互。