关于cross-domain recommendation的论文阅读笔记

最新推荐文章于 2026-05-23 16:50:24 发布
原创 最新推荐文章于 2026-05-23 16:50:24 发布 · 6k 阅读 · 15
这篇博客介绍了三种跨域推荐系统的论文，分别侧重于仅使用评分矩阵、结合物品内容和评分矩阵，以及深度领域适应。《DARec》利用AutoEncoder获取用户和物品表示，同时预测源域和目标域评分。《CCCFNet》通过内容增强的协同过滤神经网络，融合物品属性特征。《Cross-domain Recommendation》探讨了在缺乏用户个人资料时，如何利用消费模式进行用户表示。

低功耗蓝牙项目，需要一块懂省电的板

思澈 SF32LB52 芯片，BLE 协议栈深度优化，上手即开发

点击查看

阅读笔记，持续更新…

1、只用到了rating matrix进行建模

《DARec: Deep DomainAdaptation for Cross-Domain Recommendation via Transferring Rating Patterns》

《DARec: Deep DomainAdaptation for Cross-Domain Recommendation via Transferring Rating Patterns》
user/item的representation从AutoEncoder中得到（AutoEncoder的缺点是，当数据量非常稀疏的时候，得到的隐向量并不好），然后source和target domain上的预测同时进行，并在预测的同时进行domain的预测。
损失函数
损失函数中可以看到，就是同时对两个domain上的得分的预测。R表示rating pattern extractor、rating predictor、domain classifier这三个网路上的参数的正则化。
【使用条件：source和target上的user是完全重叠的】

《multi-domain collaborate filtering》

利用多领域上的rating matrix，解决

低功耗蓝牙项目，需要一块懂省电的板

思澈 SF32LB52 芯片，BLE 协议栈深度优化，上手即开发

点击查看
最低0.47元/天 解锁文章
Cross-Domain Sentiment Classification with Target Domain Specific Information
03-01
提出了一种具有目标域特定信息的跨域情感分类。文中提出的模型是对源目标数据、最终目标分别进行编码，编码分别通过源分类器训练源丰富的标签数据、特定分类器训练目标标签数据，两个分类器共同训练目标未标记数据。实验数据采用亚马逊的不同种类产品的评论数据，并构建12个跨域二进制分类任务，实验表明跨域分类的自适应方法比组内任务实现效果要好，具有正则化器的组内任务比跨域任务效果好。该方法强调域不变信息和域特定信息对跨域情感分类的重要性。
GA-DTCDR:这是“双目标跨域建议的图形和注意框架”（IJCAI2020）中的模型。 GA-DTCDR是DTCDR（“ DTCDR
04-11
GA-DTCDR 这是“双目标跨域建议的图形和注意框架”（IJCAI2020）中的模型。 GA-DTCDR是DTCDR的优化模型（CIKM2019中的“ DTCDR：双目标跨域推荐框架”）。 DTCDR是双目标跨域推荐的第一项工作。 与DTCDR相比，我们改进了嵌入策略（从DMF / NeuMF到图嵌入）和组合策略（从固定组合运算符到逐元素注意）。 至于doc2vec代码和包括文本信息的原始数据，我已经在共享了脱敏原始数据。 如果您想学习如何使用Doc2vec，可以访问 。 原始数据集（评论，项目详细信息，用户个人资料和评分） 我已经在researchgate上共享了原始数据（ ） 引文 如果要使用我们的代码或数据集，则应在提交的内容中引用以下论文（至少一篇论文）。 @inproceedings {zhugraphical，title = {双目标跨域推荐的图形和注意框架}，作者
跨域推荐(Cross-Domain Recommendation)的最新综述
m0_57656758的博客
12-05 6283
论文解读系列第十六篇：IJCAI 2021--跨域推荐（Cross-Domain Recommendation）的最新综述 - 知乎目录1.背景介绍(1)内容层级相关性(content-level relevance)(2)用户层级相关性(user-level relevance)(3)产品层级相关性(item-level relevance)2.综述的动机3. 不同的跨域推荐场景以及挑战场景1. 单目标跨域推荐(single-target CDR)场景2. 多领域推荐(Multi-Domain Recom
cross-domin，Domain adaptation 与 Domain generalization学习
qq_33031419的博客
10-21 1920
cross-domin学习
Cortex-M7内存类型与外设访问优化解析
最新发布
weixin_30338481的博客
05-23 610
在嵌入式系统开发中，内存类型属性是控制处理器访问行为的关键机制。Arm架构定义了普通内存、设备内存和强序内存三种基本类型，其中设备内存通过G/R/E三个属性实现精细控制。这些属性决定了访问合并、重排和提前确认等行为，直接影响外设寄存器的访问效率与安全性。Cortex-M7处理器默认将0x4000_0000-0x5FFF_FFFF区域映射为device-nGnRE类型，平衡了性能与可靠性需求。通过MPU配置，开发者可以针对不同外设特性优化内存属性，如对时序敏感的中断控制器采用device-nGnRnE类型，而
迁移学习与跨域推荐，以及解决跨域推荐的方法
abcdefg90876的博客
04-28 2168
因此本文主要是详细介绍一下跨域推荐，包含但不局限于以下几个部分：迁移学习跨域推荐跨域推荐可以怎么做冷启动的其他一些方法可以参考的论文有哪些1. 迁移学习以下内容参考【推荐系统中的多任务学习...
读论文《Cross-domain recommendation via user interest alignment》
buganything的博客
05-16 2150
本文提出了一种新的跨领域推荐框架COAST，通过感知实体之间的跨领域相似性和对齐用户兴趣来提高双领域推荐性能。
大模型日报 2024-08-17
weixin_40262196的博客
08-21 1116
NIH研究发现，大型语言模型在评估医疗问题时依赖于简洁、类似教科书的语言，而难以从患者书写的描述中准确识别遗传病。: 位于班加罗尔的人工智能初创公司Sarvam AI推出了Sarvam 2B，这是一款拥有20亿参数的开源大型语言模型，支持10种印度语言。: 本研究提出了一种系统设计方法，利用大语言模型(LLM)进行数据标注，提升下游监督学习任务的分类性能，适用于多种行业应用。: 本文评估大语言模型对符号图形程序的理解能力，通过创建基准测试，发现其在推理视觉场景方面的表现，并提出符号指令调优方法。
推荐系统论文阅读笔记
weixin_44760744的博客
10-14 849
分享一些最新的论文阅读笔记 《Overcoming Data Sparsity in Group Recommendation》 目的：给一组用户进行推荐。 主要问题：怎样聚合个人的喜好来推断一个组的决策。 已有工作：传统的组推荐方法使用预先定义的聚合策略。 缺点：静态，不能建模复杂的组决策过程。 本文：利用二分图嵌入模型（建模组-项目之间的关系），自注意机制（解决用户-项目交互稀疏的问题，利用用户的社交网络增强用户的特征学习）和图卷积网络，学习组和用户的喜好。 背景：随着智能手机，社交网络服务的发展，人们
跨域相关最新论文
weixin_44760744的博客
11-19 612
《Towards Equivalent Transformation of User Preferences in Cross Domain Recommendation》论文阅读笔记 跨域推荐解决数据稀疏性问题。 针对场景：不同的域共享相同的用户数据集，但是项目不同。 已有工作：大多数方法研究跨域迁移共享用户的特征。 问题：共享用户的特征旨在不同域中学习重合的部分，而减小用户在不同域中特定喜好的影响。 本文：学习用户在不同域中重合以及特定的属性。 具体：假定用户在不同域中的喜好是相关的，一个域中的喜好可以
CTL:Cross-domain Collaboration Recommendation
Guozyan的博客
04-08 930
CTL也可以推广到多个领域。其基本思想是用多项式分布代替伯努利分布。该多项式表示多个领域之间、两个特定领域之间或单个领域中的协作主题。基于学习到的主题，可以构建一个以主题为中心的网络，然后执行RWR，以估计来自不同领域用户的相关性得分。对跨域协同推荐问题进行了惊群定义，并提出三种模型的排名等，最终提出一种跨域的主题建模方法来学习和区分协作主题，并证明了该方法的有效性和效率。【跨域问题涉及到社会问题，知识传播，强关系相关、弱关系相关等】
CoNet: Collaborative Cross Networks for Cross-Domain Recommendation
weixin_63551790的博客
03-03 1474
背景和挑战利用神经网络研究跨域推荐的知识迁移学习的相关工作很少。本文探索如何将神经网络作为每个域的基础模型，并实现跨域的整个网络上的知识迁移。1）对于每个域，在这些单独的网络之间要迁移 / 共享什么？2）在每个域的这些单独网络的学习过程中，如何进行迁移 / 共享？3）与单域神经学习和浅层跨域模型相比，性能如何？通常的迁移学习方法是先训练一个基础网络，然后将其前几层复制到目标网络的相应前几层，并进行微调或冻结参数。存在两个弱点。首先，，因为我们发现它在真实的跨域数据集上效果不佳。其次，
【推荐算法】CCCFNet: A Content-Boosted Collaborative Filtering Neural Network for Cross Domain Recommender
qq_36643449的博客
12-30 824
一、亮点 使用因子分解的框架，将协同过滤和基于内容的过滤结合在一起； 使用Cross Domain跨领域推荐——假设跨领域存在一些一致的模式(如不同的domain共享user-side sub-network)，因此可以从相对密集的辅助领域获取知识。 二、模型具体结构 rating matrix 定义为： item content attribute matrix定义为： A(1)和R(1)代表target domain的矩阵，A(2)和R(2)代表auxiliary domain的。 为了融合it
DATNet网络训练思路分析
qq_44789021的博客
03-27 317
DATNet网络训练思路分析
坤哥笑侃跨域推荐（一） Cross-Domain Recommendation, An Embedding and Mapping Approach （IJCAI-17）
qq_32813967的博客
07-18 4858
这是本人看的第一篇跨域推荐的文章，刚接触这一领域，有所错误，请多指正。 目录 跨域分类 面临挑战 模型 实验对比 总结 跨域分类 正如文章一开始说，跨域推荐是解决推荐领域数据稀疏性（sparsity）的一种方法。紧接着，文章介绍了两种跨域的方式以及缺点：     1）非对称方式，利用源领域知识降低目标领域知识的稀疏性。这时源领域的知识在目标领域充当先验或正则化项的作用（不是我说的...
Cross-domain Recommendation Without sharing User-relevant Data简析
loserChen的博客
05-04 1510
Cross-domain Recommendation Without sharing User-relevant Data 介绍 为了联合不同网站的相同数据以提高 推荐质量，但是为了避免商业隐私，文章不使用用户相关的数据，而仅仅使用item的信息，同时为了有效的发掘有用的信号，文章使用了一种新的方法NATR（Neural Attentive Transfer Recommendation） 架构...
【论文笔记11】 Deep Domain Adaptation With Differential Privay 差分隐私下的深度域泛化, IEEE TIFS 2020
weixin_45632492的博客
04-10 1013
目录导引系列传送AbstractReference 系列传送 【Active Learning】 【论文笔记01】Learning Loss for Active Learning, CVPR 2019 【论文笔记02】Active Learning For Convolutional Neural Networks: A Core-Set Approch, ICLR 2018 【论文笔记03】Variational Adversarial Active Learning, ICCV 2019 【论文笔记0
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值