![]()
一、方法简介
在推荐系统中，数据稀疏性和冷启动问题是个性化推荐面临的主要挑战。为了克服这些问题，跨领域推荐（CDR）通过从数据丰富的源领域迁移知识到数据稀缺的目标领域，有效地提升了推荐性能。然而，现有的跨领域推荐方法在处理数据异构性和用户隐私保护时表现有限，推荐的精度也因此受到影响。为了解决这些问题，本文提出了EAAS-CDR模型，通过自适应编码-解码器（AutoED）实现领域间的知识迁移，并通过Johnson-Lindenstrauss变换（JLT）结合差分隐私机制保护用户数据隐私。如图1所示，我们首先在各领域中训练AutoED模型，统一知识向量维度，然后通过差分隐私保护机制对发布的知识矩阵进行扰动处理，确保数据安全。在此基础上，我们引入领域相关性度量和领域融合算法，通过计算源领域与目标领域的相关性，有效提升推荐精度。 ![]()
图1：EAAS-CDR模型框架
二、实验评估
为验证EAAS-CDR模型的有效性，我们在两个公共数据集（Amazon和Douban）上进行实验，并与5种现有的跨领域推荐方法进行对比，评估指标包括Hit Rate、NDCG以及MRR。实验结果如表1和表2所示，可以看出，EAAS-CDR在多个指标上均优于其他方法，特别是在数据稀疏的目标领域中，EAAS-CDR显著提高了推荐精度和隐私保护能力。 ![]()
表1 EAAS-CDR与基线模型在Amazon数据集上的表现
![]()
表2 EAAS-CDR与基线模型在Douban数据集上的表现
论文信息
本篇论文作者为重庆邮电大学的刘红（通讯作者）、何建、徐柱、赵志强和南京航空航天大学的张玉书。Hong Liu, Jian He, Zhu Xu, Yushu Zhang, Zhiqiang Zhao, Efficient and adaptive secure cross-domain recommendations, Expert Systems with Applications, Volume 258,2024,125154,ISSN 0957-4174.
