前言
今日要读的文章为一篇2022年4月2日发表于《计算机科学》的期刊文章；文章发现了传统的单领域推荐算法的问题：传统的单领域推荐算法受限于用户和项目的稀疏关系，存在用户／项目冷启动的问题，并且，其仅以用户对项目评分进行建模，忽略了评论文本中所蕴含的信息。
基于此，文章提出了一种基于评论文本的跨领域推荐算法在辅助领域提取用户/项目的评论信息来缓解目标领域的数据稀疏问题，来提高推荐的准确率。文中提出了结合自注意力机制和迁移学习的跨领域推荐算法SAMTL（Self-Attention Mechanism and Transfer Learning）。与现有算法不同，SAMTL充分融合了目标领域和辅助领域的知识。
摘要
传统的单领域推荐算法受限于用户和项目的稀疏关系，存在用户／项目冷启动的问题，并且，其仅以用户对项目评分进行建模，忽略了评论文本中所蕴含的信息。基于评论文本的跨领域推荐算法在辅助领域提取用户／项目的评论信息来缓解目标领域的数据稀疏问题，以提高推荐的准确率。文中提出了结合自注意力机制和迁移学习的跨领域推荐算法SAMTL（Self-Attention Mechanism and Transfer Learning）。与现有算法不同，SAMTL充分融合了目标领域和辅助领域的知识。首先，引入自注意力机制建模用户的喜好信息；其次，通过交叉映射跨域传输网络实现借助一个领域的信息来提高另一个领域的推荐准确率；最后，在知识融合模块和评分预测模块整合两个域的信息，进行评分预测。在Amazon数据集上的实验表明，与现有的跨领域推荐模型相比，SAMTL的MAE和MSE值更高，在３种不同的跨领域数据集上的MAE值分别提高了8.4%，13.2%和19.4%，MSE值分别提高了6.3%，7.8%和5.6%。通过多项实验验证了自注意力机制和迁移学习的有效性，以及它们在缓解数据稀疏和用户冷启动问题方面的优势。
前言
推荐算法能有效缓解信息过载，常用的推荐算法包括基于内容的单领域推荐算法、混合推荐算法和协同过滤算法。其中，最经典的算法是协同过滤算法，其主要根据用户的历史反馈向用户推荐项目。然而，这些方法对于没有历史反馈的新用户，即冷启动用户而言，效果甚微。近年来，跨领域推荐引起了广泛关注。跨领域推荐旨在给定两个相关的域（如音乐和电影），用户可能在一个域（源领域）中具有历史交互，而在另一个域（目标领域）中没有历史交互。在目标领域，这些用户被视为冷启动用户，但是，这两个域是相关的，存在一部分共享知识，而这部分知识可以迁移到目标领域中，以缓解目标领域的数据稀疏问题，从而提高推荐系统的推荐准确度。
如果跨领域推荐算法只利用项目所包含的用户评分数据进行推荐预测，则效果不理想，只能在一定程度上缓解数据稀疏问题，因为评分数据包含的信息单一，难以从源领域学习到有效的知识对用户和项目进行建模，并且难以将源领域知识迁移到目标领域，以提高推荐精度。
跨领域推荐的核心任务是对两个相关域之间的用户进行偏好映射。为实现这一映射，现有的方法(如EMCDR，CDLFM和RC-DFM)将用户的偏好编码为单个向量，然后对整体进行跨域映射。如图１所示，现有解决方案分别在源领域和目标领域中学习用户/项目表示，然后基于重叠的用户来学习并进行跨域映射。但是源领域和目标领域用户之间的直接映射无法明确捕获用户在不同域中的各种细粒度偏好，例如，喜欢摇滚音乐的用户可能更喜欢观看科幻电影。
自注意力机制
本文的自注意力模型采用点积运算的方式来计算评论文本的重要性，其计算式如下：
其中，Q,K,V分别是查询向量矩阵、键向量矩阵和值向量矩阵。这３个矩阵中每一行分别代表一个对应向量，一般通过把输入向量序列Ｘ分别乘以３个矩阵Ｗｑ，Ｗｋ，Ｗｖ得到。
跨领域推荐
跨领域推荐的目的是丰富目标领域的数据，学习源领域中用户的喜好信息，最终提高目标领域推荐的准确性。跨领域推荐的任务定义如下。ＵＳ和ＵＴ是源领域和目标领域中具有用户偏好的用户集合，ＩＳ和ＩＴ分别是源领域和目标领域中具有项目属性的项目集合，则跨领域推荐可以定义为：通过源领域的知识给目标领域的用户推荐目标领域的项目，即把ＩＴ利用ＵＳ∪ＩＳ的知识推荐给ＵＴ。
迁移学习
迁移学习指将在数据密度较高的领域学习到的知识迁移到数据密度较低的领域，即将在源领域中学习到的用户喜好信息迁移到目标领域，提高了目标领域推荐的准确性，同时，迁移学习降低了传统机器学习中训练集和测试集要满足独立同分布的条件，提高了目标领域推荐的精度。
自注意力机制和跨域传输网络
SAMTL模型结构如图２所示。SAMTL模型由嵌入层、自注意力模块、交叉跨域传输网络和决策网络组成。其中，嵌入层使用GloVe生成用户和项目的评论词向量；自注意力模块提取用户的源领域特征、目标领域特征和项目的源领域特征、目标领域特征。交叉跨域传输网络中，信息可进行双向传递，从而达到使用辅助领域来提升目标领域推荐效果的目的。最后在决策网络进行不同领域的知识融合和评分预测。
自注意力机制网络
注意力机制关注部分细节，而非基于全部信息。本质上，Attention是从大量信息中筛选出少量重要信息，并聚焦到这些重要信息上，忽略大多数不重要的信息。本文在嵌入层和交叉跨域传输网络之间加入了自注意力模块。由于卷积神经网络（Convolutional Neural Network, CNN）中卷积核尺寸的限制，卷积操作覆盖的范围非常有限，当特征距离稍远时，就难以获取。而自注意力机制不仅能够建模序列中用户评论的上下文信息，还能够通过计算序列中任意２个评论之间的相关程度来捕获行为的长期依赖关系和序列的全局信息，缓解CNN只能覆盖局部信息的问题。自注意力机制对外部信息依赖较少，更能捕捉到内部信息的特征.
自注意力机制的结构图如下图所示：
跨域传输网络
本节提出了一种基于交叉映射的跨域传输网络来实现域跟域之间的信息传输。其主要任务是在两个域之间通过在同一层网络中共享同一个矩阵来实现域和域之间的双向信息传递，从而达到使用辅助域来提升目标领域推荐效果的目的。
