π-Net: A Parallel Information-sharing Network for Cross-domain Shared-account Sequential Recommendations

背景：

多个个人用户共享一个帐户（共享帐户），并且用户行为在多个域（跨域）中可用。

挑战：
1.需要识别同一帐户下的不同用户行为，以便在正确的时间向正确的用户推荐正确的项目。
2.需要区分一个领域的行为，这可能有助于改进其他领域的推荐。

共享账户现有工作：常见的方法是通过从描述同一帐户下用户之间关系的高维空间中提取潜在特征来捕获用户偏好。
跨域推荐现有工作：
1.聚合来自两个域的信息。
2.将知识从源域转移到目标域。
由于至少两个原因，这些方法都不能直接应用于SCSR。SR的重要顺序特征要么在很大程度上被忽略，要么依赖于明确的用户评级，而这通常在SR中是不可用的。

视频领域中的“米老鼠”等视频可能有助于预测教育领域中的下一个项目“学校娱乐”，因为它们反映了迪士尼卡通人物“米老鼠“的相同兴趣，可能是这个家庭中的一个孩子。
利用来自另一个域的用户行为信息将同时包含有用的和有噪声的信息。

实现：

两个域上的用户行为在每个时间戳同步共享。π-Net包含两个核心单元：共享账户过滤单元（SFU）和跨域传输单元（CTU）。

SFU用于解决共享账户带来的挑战；它学习用户特定的表示，并使用门控机制过滤掉一些用户的信息，这些信息可能对另一个域有用。
CTU用于解决跨域设置带来的挑战；它在每个时间戳自适应地组合来自SFU的信息，然后将其传输到另一个域。

π-Net由四个主要模块组成，即序列编码器、共享账户过滤单元（SFU）、跨域传输单元（CTU）和混合推荐解码器。
序列编码器模块将当前用户行为序列编码为表示。
然后，SFU模块通过学习用户特定的表示来识别不同的用户行为，并使用门机制过滤掉可能对另一个域有用的信息。
SFU的输出被采用到CTU模块，CTU模块将信息传输到另一个域。
SFU和CTU以并行循环方式运行，这意味着它们可以在每个时间戳在两个域之间同步共享信息。
最后，混合推荐解码器模块基于来自两者的信息来估计每个项目的推荐分数。

SFU：

对于K个潜在用户(u1~uk)，在域A的时间步i处用户uk的表征为：

其含义为用户表征是从用户本身生成还是从先前的信息获取，也就是识别不同的用户行为并过滤。
其中
表示蒸馏门，具有调控作用；
表示在域A的时间步i处对于uk的候选表征；
是域A中时间步i处SFU的最终输出，作为每个用户特定表示的组合计算。
三个参数的具体计算过程不多赘述。

CTU：
SFU的输出仍然属于域A，CTU将其转移到域B并结合域B的原始信息：

混合推荐解码器：
首先解码器混合域B的原始表征与域A通过CTU传过来的表征。然后，它通过计算混合表示和项目嵌入矩阵之间的匹配以及随后的softmax函数来评估每个候选项目的推荐概率：

损失函数：

总结：

π-Net同时考虑了共享账户和跨域推荐问题，识别出特定用户的信息并传输到另外的域，达到了推荐的效果。
π-Net得在彼此互补的两个域中共享信息时，它才能更好地工作。当只有一个域或两个域中的数据共享更少的信息时，π-Net就不那么有效。