论文一、多域构建为一个整体graph
论文标题：HeroGRAPH: A Heterogeneous Graph Framework for Multi-Target Cross-Domain Recommendation；
发布刊物：ResSys 2020；
论文下载链接：http://ceur-ws.org/Vol-2715/paper6.pdf
思路：现有跨域推荐系统多为 single-traget 或者 dual-traget cross-domain recommendation，前者主要致力于从源域提取信息辅助目标域的学习，后者同时利用源域和目标域的信息来提升两个域的推荐性能。但是实际生活中，更常见的是大于等于3个域的多域multi-traget系统。
如果直接将dual-traget的模型应用于multi-target任务，度量n个域两两之间的关系，会产生个对应关系，提高了复杂性。所以需要直接的multi-target的模型。
模型结构：本文通过将多域的user和item构建为一个整体的Heterogeneous graph，实现对不同域的学习。模型结构如下图1所示。对每一个域，首先用提取各自user和item的within-domain信息。
然后如下图最下面一行所示，将所有域的user和item构建为一个异构图（有一个疑问，相同user在异构图中为同一个node，那么对于不完全相同但是近似的item，如何处理呢？是分别作为node，还是相似的item合并为一个node？如何合并？）。借助于GraphSAGE和attention机制（简写为下图Embedding Layer的函数），提取cross-domain的user和item特征，学习该异构图中每一个节点的embedding。
最后，得到所有user和item的表征为：
通过对每个域中positive的user-item关系和negative的user-item关系做处理，得到每个域的loss（公式6,7），然后对所有loss求和得到本文模型的总loss，如下面的公式所示。
实验及分析：通过对不同任务下数据稀疏性的分析（稀疏性高低对应graph中存在多少user-item边），发现越是稀疏的数据上本文的模型效果越好。
总结及展望：本文最后提出了多个针对本文模型可以进行改进的点：
- 采用其他统一的整体shared结构将所有域信息联系到一起，如knowledge graph；
- 在所构建的graph中增加user proflie，item attribute等额外信息来辅助node embedding；
- 在每一个域中，可以给不同user-item赋予不同的权重；
- （在graph中，可以为同一个user的不同边赋予不同权重）；
- 在整合每个域的loss时，可以给每一项loss赋予不同的权重；
- 同调不确定性Homoscedastic uncertainty可能是研究权重的一个好策略，它可以在训练中自动更新。
论文二、分别学习双域特征，合并其中重叠部分
论文标题： A Graphical and Attentional Framework for Dual-Target Cross-Domain Recommendation；
发表刊物：IJCAI 2020；
论文下载地址：A Graphical and Attentional Framework for Dual-Target Cross-Domain Recommendation | IJCAI
代码下载地址：https://github.com/FengZhu-Joey/GA-DTCDR
思路：现有的跨域推荐可以分为两种：
- single-traget Cross-Domain Recommendation问题致力于从richer domain中提取信息辅助sparser domian中的推荐准确率。
- dual-traget CDR问题致力于联合从richer domain和sparser domain中提取信息，同时提升这两个域中的推荐准确率。
一种直接的dual-traget CDR方法是将single-traget CDR的方法反过来做一遍，分别从richer -> sparser和sparser -> richer中提取信息，来辅助两个域的推荐。但是这种方法会带来negative transfer，因为sparser domain中学到的信息可能是不准确的，就会对richer domain中的推荐产生负面影响，甚至降低其推荐准确率。因此需要专门设计dual-target的方法。
针对dual-traget CDR问题，关键点在于：
- 如何从每一个域中学习和提取user和item的embedding？
- 如何优化每个域中所学emb使得两个域的推荐性能都有提升？
本文针对上述两个关键点构建dual-target CDR模型。
模型结构：
如上图所示，本文模型一共有5个部分：
- 输入层：针对每一个域，都考虑explicit信息（ratings，comments）和side信息（user profiles，item details），分别被称之为rating info和content info。
- 图编码层：针对每一个域，利用其中rating和content info构建一个异构图，其中有user-item交互边，user-user相似性边，item-item相似性边。然后采用图编码模型，比如Node2vec学习异构图中的user和item节点的embeddings，分别记为U和V。
- 特征合并层：本文提出一个element-wise的注意力机制来合并两个域中common user的emb，利用上一层两个异构图学到的user node emb。
- 神经网络层：采用全连接层来学习每个域中user和item的非线性关系。
- 输出层：对user-item交互行为进行预测。
具体而言，本文的第2层图编码层，包含以下几个步骤：
- 针对每一个user或者item，将其所有信息都整合成一个document，包括reviews, tags, user profiles, item details等，然后使用doc2vec模型得到document emb。这样就得到了每一个user和item的document emb：UC和VC。
- 针对每一个域中的异构图的构建，user-item边来自数据集中的交互信息。而user-user和item-item边都是通过相似性计算的。如下公式1，利用上一步学到的document emb，计算每两个user或者两个item之间的normalized余弦相似度，再乘上一个超参数，得到这两个user或者两个item之间存在边的概率：
总结及展望：
本文虽然是针对不同域的推荐，但是模型同样可以适用于cross-system recommendation，只需要将本文的不同domain变为不同的system，不同域中重叠的user变为不同system中重叠的item。
未来本文方法还可以扩展到multi-traget recommendation，或者其他新的推荐系统数据集，来研究数据稀疏性和common user数目对推荐性能的影响。
更多论文阅读，有待更新。。。。。。