C3DR : Cycle Consistency to Utilize Non-Overlapping Users for Cross-Domain Recommendation

Abstract

The recommendation to cold-start users has remained a long-standing and challenging problem in the recommender system. One promising solution is a cross-domain recommendation (CDR) that transfers the knowledge from the source domain to the target domain. Through CDR, the observed preference of the cold-start users in the source domain can help cold-start recommendations in the target domain. Many variations of Embedding and Mapping methods (EMCDR) for CDR have been studied, which learns the supervised mapping function with embeddings of both domain pairs of overlapping users and infer the embedding vectors of cold-start users through mapping. However, in a real-world dataset, there are a small number of overlapping users, and the existing CDR to cold-start users have dealt with these limited overlapping users. In this paper, we propose a novel framework based on semi-supervised mapping, called Cycle Consistency Cross-domain Recommendation (C3DR), which utilizes all users by cycle-consistency. Nevertheless, effectively utilizing all users is a challenge because we empirically show that users who do not prefer the target domain exist, and these users may work as noise to train the mapping function. Therefore, we measure the potentiality of how much each user prefers the target domain, and we apply cycle consistency weighted by the potentiality to improve the mapping function. Our extensive experiments on different CDR tasks show that C3DR outperforms the state-of-the-art methods in terms of CDR accuracy.

사용자들은 온라인 쇼핑을 통해서 옷, 장난감 등의 다양한 도메인의 상품을 구매한다. 이로부터 특정 도메인에서 구매 이력이 없는 소비자(cold-start user)에게 다른 도메인에서 구매한 정보로 상품을 추천할 수 있다. 이 분야의 연구를 크로스 도메인 추천시스템이라고 한다. 크로스 도메인 추천시스템 연구는 각 상품 도메인별로 추천모델을 학습 후, 지식 전이를 통해서 목표 상품 도메인에 구매 이력이 없는 사용자에게 추천을 진행한다. 하지만, 실제 데이터는 지식 전이 과정에서 사용되는 중복 사용자가 적다. 이 논문은 모든 사용자를 학습에 이용하고자, 반지도 학습에서 두 도메인의 쌍(pair) 데이터가 한정적일 때, 나머지 데이터를 이용해서 도메인 간의 번역(translation)을 향상해주는 순환 일관성(cycle consistency)을 이용했다. 하지만, 비디오 게임을 구매한 사용자가 장난감에는 관심이 없을 수 있는 것처럼, 모든 사용자가 목표 도메인에 관심이 있을 수는 없다. 또한, 데이터 분석을 통해 이를 실험적으로 보였다. 이런 관심이 없는 사용자는 모델 학습에 노이즈로 작용할 수 있으므로, 본 논문은 목표 도메인에 관심이 있을 잠재성을 디자인해서 정보를 선택적으로 이용했다. 최종적으로 이 논문은 잠재성을 순환 일관성 손실함수에 가중치로 더해줌으로써, 모든 사용자의 정보를 효과적으로 사용하는 순환 일치성의 모델을 제안한다.