A Graphical and Attentional Framework for Dual-Target Cross-Domain Recommendation

传统的single-target CDR只能提升一个域的推荐效果，用稠密的域去提升稀疏域的效果。dual-target则要同时提升两个域的推荐效果。并不是单纯的“Richer to Sparser” 或“Sparser to Richer”.

存在问题有：

1. 如何利用丰富的数据生成更好的单域user和item表示
2. 如何在两个域上都实现推荐效果的提升

方法：

• 提出Graphical and Attentional framework for Dual-Target Cross-Domain Recommendation, called GADTCDR
• 对于第一个问题，构建异构图，不仅考虑user-item关系还考虑item-item、user-user
• 对于第二个问题，采用element-wise attention mechanism，从两个域学习信息。

模型结构

• Input Layer：输入user-item共线矩阵，此外，还有content端包括一些item和user的属性

• Graph Embedding Layer：构建异构图、Node2Vec得到embeddings。具体分为

  • Document Embeddings：聚合user端的信息、聚合item端的信息 采用Doc2Vec生成document embedding
  • Graph Construction：通过user和item之间的交互关系构建图，生成user-item边的概率为R/max（R),生成user-user或item-item边的概率为

$$ P(i,l)=\alpha\cdot sim(UC_i,UC_l) $$

alpha用于控制采样概率

• Output，生成user embedding矩阵 U和item embedding矩阵V

• Feature Combination Layer：结合两个域的embedding生成新的embedding，传统方法都是做两个域的embeddings做一些简单组合，如average-pooling, concat，该论文采用注意力机制，也就意味着稀疏度高的embedding贡献率可能较低，提取信息公式

$$ U_i^{\alpha} = W^{\alpha}\odot U_i^{\alpha}+(1-W^{\alpha}\odot U_i^b) $$

• Neural Network layers: MLP学习非线性关系
• Output Layer：输出归一化求点积