嘿，记得给“机器学习与推荐算法”添加星标
协同过滤是推荐系统恒久不变的主题。随着时间的推移，它也不再是那个经典的、苍老的协同过滤，反而在各大顶会中洗练出了更花哨的光华，例如：
利用高阶连通性的NGCF：Neural graph collaborative filtering [SIGIR 2019]
利用双线性形式的HybridSVD：HybridSVD: When Collaborative Information is Not Enough [RecSys2019]
同时利用分类/连续特征的CB2CF：CB2CF: A Neural Multiview Content-to-Collaborative Filtering Model for Completely Cold Item Recommendations [RecSys2019]
异质的不负采样的CF：Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation [AAAI2020]
让我们喊出口号：协同过滤永不过时！
本文所介绍的推荐系统论文，虽然已经是老话题的协同过滤，究竟作者会做了哪些令人叹为观止的亮点呢？
毕竟KDD，必出精品不是？
Paper：Semi-supervised Collaborative Filtering by Text-enhanced Domain Adaptation
推荐系统的数据稀疏性是一个固有的挑战，因为推荐系统的大部分数据都来自于用户的隐式反馈。这就带来了两个困难：
- 一是大部分用户与系统的交互很少，没有足够的数据进行学习;
- 二是隐式反馈中不存在负样本。通常采用负样本的方法来产生负样本。
然而，这导致了许多潜在的正样本被误标记为负样本，数据的稀疏性会加剧误标记问题。这是容易解释的，因为：用户购买了某一商品，你可以说他喜欢这一商品；但是用户如果没有买的那些商品，你没有办法说他就不喜欢。为了解决这些困难，作者没有像其他的做法一样，而是将稀疏隐式反馈的推荐问题作为半监督学习任务，并探索领域适应（Domain Adaptation）来解决这个问题。具体地，是将从密集数据中学习到的知识转移到稀疏数据中，并专注于最具挑战性的没有用户或项目重叠的情况。
在这种极端情况下，直接对齐两个数据集的嵌入并不理想，因为这两个潜在空间编码的信息非常不同。因此，作者采用领域不变（domain-invariant）的文本特性作为锚点来对齐潜在空间。为了对齐嵌入，我们为每个用户和项提取文本特性，并将它们与用户和物品的嵌入一起提供给域分类器。训练嵌入来迷惑分类器，并将文本特征固定为锚点。通过域适应，将源域内的分布模式转移到目标域。由于目标部分可以通过区域自适应来监督，因此我们在目标数据集中放弃了负采样以避免标签噪声。
本文的策略与DANN非常相似，DANN是一种用于图像分类任务的算法，它在视觉空间中对齐高级图像表示。由于两个域使用相同的特征提取器，因此将两个域的图像映射到相同的空间中，从而将语义相似的图像分布在空间的相似位置。通过领域适应，语义相似的聚类被对齐在一起，并转移分布模式来细化目标领域上的表示。听上去还挺复杂，但是简单地说，就是将老虎和猫投影到同一空间时，会有一些特征是非常相近/几乎一样的。
这个道理拿到推荐系统中也说得通，毕竟推荐过程也是通过找物品和用户之间的相似性来进行推荐。但是，在基本的CF模型中，没有具有特定语义的数据(如图像和文本)，因此，作者通过将用户和项目嵌入到潜在空间中来提取高级密集特征。通过这种方式，我们将来自不同领域的用户和项目映射到不同的潜在空间。
回到了之前说的困难，就是“对齐问题”。以图(b)中的电影为例，实线和虚线分别表示恐怖片和喜剧片。
从图中可以看到，直接对齐嵌入可能会导致橙色域的恐怖电影被误导，蓝色域的喜剧被采集，分布格局被转移错误。原因是这些嵌入被映射到橙色区域的不同的潜在空间，正负半轴分别编码恐怖和有趣，而在蓝色区域面临相反的情况。
为了解决这一差距，我们需要在同一空间中进行域适应，即对空间进行对齐，对嵌入进行对齐。
为了对齐潜在空间，我们将领域不变特性作为锚点进行探索。在本文中，我们利用了可以从用户评论中轻松提取的文本特性，如下图(c)所示。
我们将文本特征与嵌入连接起来，从而将空间扩展为文本潜在空间(横轴表示潜在空间，纵轴表示文本空间)。可以看到，在图(b)所示的潜在空间中，不同的类别是不可分离的。而在图(c)中，不同的类别通过扩展文本维度是可分离的。
对于域适应，我们使用连接的嵌入和文本特征作为域分类器的输入。在固定文本特征的同时，使用分类器对嵌入进行反向训练。
因此，如果对类别这样操作的话，文本特性应该是域不变的。也就是说，来自所有域的恐怖电影都映射到文本空间的负半轴上。
为了弥补这一差距，我们首先提出了一种称为文本记忆网络(TMN)的记忆结构，通过将每个用户和物品映射到单词语义空间来提取文本特征。然后，我们将特征注入协同过滤（CF）模型来生成预测。由文本特性和CF模块组成的模型称为文本协同过滤(TCF)模型。最后，在源域和目标域上同步训练两种TCF模型，并通过自适应网将它们连接起来。
这种迁移学习模型被称为文本增强领域适应推荐(TDAR)方法。
总结
Highlight 1：本文提出了一种域自适应推荐方法(TDAR)，将嵌入内容对齐到相同的潜在空间中，极大地提高了稀疏数据集上的性能。在对齐空间和嵌入的工作上使用文本特性作为锚点。
Highlight 2：作为TDAR中的一个重要模块，我们设计了一个提取领域不变文本特征的记忆网络，并将这些特征注入到CF模型中，提出了一个基于文本的协同过滤模型。
Highlight 3：作者开源了。有兴趣了解迁移学习 评论 协同过滤的兄弟们可以移步：开源代码[https://github.com/Wenhui-Yu/TDAR]。
