微信看一看基于对比学习的跨领域推荐模型

微信看一看基于对比学习的跨领域推荐模型

摘要

跨领域推荐（cross-domain recommendation, CDR）关注如何充分利用源领域（source domain）的信息辅助目标领域（target domain）的推荐效果。真实推荐系统中常常能遇到需要跨领域推荐的场景（且目标领域往往只拥有极稀疏的用户行为），然而已有CDR模型往往关注于排序模块，缺少对于召回模块（matching）的设计。召回中的跨领域推荐在领域内表示学习和领域间知识迁移时都面临着严重的数据稀疏（data sparsity）和流行度偏差（popularity bias）问题。

在这篇工作中，我们针对召回中的跨领域推荐问题，提出了一个基于对比学习的跨领域推荐模型（Contrastive Cross-Domain Recommendation，CCDR）。具体地，我们首先在每个领域建立一个全局异质的多样化偏好网络（diversified preference network），通过异质节点用户、物品、标签、分类、文字、公众号之间丰富的交互，引入额外的多样化用户偏好信息，然后，我们使用单领域图神经网络得到各领域下异质节点的表示向量。

我们创新性地提出并联合应用两种对比学习——领域内对比学习（intra-domain contrastive learning, intra-CL）和领域间对比学习（inter-domain contrastive learning, inter-CL）。领域内对比学习通过图增广加强稀疏目标领域内的节点表示学习，而领域间对比学习构建了三种不同的跨领域知识迁移桥梁，加强了不同领域间的用户偏好对齐。

我们在看一看推荐系统的不同跨领域推荐场景上进行了丰富的实验，CCDR模型在离线和线上实验中均获得显著提升效果。目前，CCDR模型已经部署于看一看推荐系统，服务千万用户。