Aprendizaje Contrastivo Desentangled con Transferencia Personalizada para Recomendación Inter-Dominio

La Recomendación Inter-Dominio (CDR) ha demostrado aliviar efectivamente el problema de escasez de datos en Sistemas de Recomendación (RS). Los métodos CDR recientes a menudo descomponen las características de los usuarios en características invariantes al dominio y específicas del dominio para una transferencia de conocimiento inter-dominio eficiente. A pesar de mostrar un rendimiento robusto, tres aspectos cruciales permanecen inexplorados para los enfoques CDR desentangled existentes: i) Las sutilezas significativas de los comportamientos de interacción se ignoran al generar características desentangled; ii) Las características de los usuarios se descomponen sin relación con los artículos individuales a recomendar; iii) La transferencia de conocimiento general pasa por alto la personalidad del usuario al interactuar con diversos artículos. Con este fin, proponemos un marco de Aprendizaje Contrastivo Desentangled en Grafo para CDR (GDCCDR) con transferencia personalizada mediante meta-redes. Se propone un filtro adaptativo sin parámetros para medir la importancia de diversas interacciones, facilitando así representaciones desentangled más refinadas. A la vista del éxito del Aprendizaje Contrastivo (CL) en RS, proponemos dos restricciones basadas en CL para el desentrelazado consciente de los artículos. CL Próximo asegura la coherencia de las características invariantes al dominio entre dominios, mientras que CL Eliminatorio se esfuerza por desentender las características dentro de cada dominio usando información mutua entre usuarios y artículos. Finalmente, para las características invariantes al dominio, adoptamos meta-redes para lograr una transferencia personalizada. Los resultados experimentales en cuatro conjuntos de datos del mundo real demuestran la superioridad de GDCCDR sobre los métodos de vanguardia.