融合迁移学习和解纠缠负采样的去偏推荐方法

打开文本图片集

摘 要：针对现有去偏推荐方法在选择负样本时将样本作为一个整体考虑导致的采样偏差问题，以及不平衡的热门-长尾项目表征学习无法有效缓解数据稀疏的问题，提出融合迁移学习和解纠缠负采样的去偏推荐方法（DTDN）。该方法首先利用交互行为中的对撞效应设计负采样模块;其次，根据采样数据设计特征解耦模块对用户和正负样本的特征进行解耦表征学习（DRL）;然后，在表征学习阶段引入迁移学习模块，以对齐热门项目和长尾项目的表征分布;最后，基于解耦表征设计样本选择器去除数据中的固有偏差，帮助模型准确学习用户和正负样本特征中的规律。（剩余17030字）