摘要：针对现有元学习跨域推荐方法存在负向偏好建模缺失与用户偏好迁移策略单一的问题，提出了一种融合对抗网络与对比学习的三重桥梁跨域推荐模型（Triple Bridge Cross Domain Recommendation Integrating Adversarial Networks and Contrastive Learning，ACTBCDR），设计了正负特征编码器来获取用户正向偏好和负向偏好，以捕获更全面的用户偏好。为解决用户偏好迁移策略单一问题，构建了个性化偏好、源域公共偏好和目标域公共偏好的三重桥梁，采用动态门控机制实现多粒度特征融合。设计域对抗训练模块，通过梯度反转层（GRL）实现跨域用户表征对齐，并通过对比损失约束，使源域和目标域的公共偏好桥映射到同一空间，减少领域差异。在Amazon中的Book、Music和Movie三个基准数据集上的实验表明，ACTBCDR在MAE、RMSE、AUC和NDCG@10指标上分别超越基线方法7.28%、8.29%、1.68%和6.91%，验证了模型的有效性。
文章目录
1相关工作
2模型方法
2.1问题定义
2.2 ACTBCDR模型
2.2.1嵌入层
2.2.2用户偏好桥梁层
2.2.3对抗对比层
2.2.4预测层
3实验与分析
3.1数据集
3.2评价指标
3.3基准模型
3.4参数设置
3.5实验结果分析
3.6模型的消融实验
3.7模型的性能分析
3.7.1 ACTBCDR的主要模块性能分析
3.7.2 ACTBCDR与基线模型性能对比
3.8超参数分析
4 总结
