中科院、腾讯、北航提出：跨领域推荐中的个性化迁移用户兴趣偏好|WSDM 2022 | recommendation( 二 ) 早盘|系统|崩溃|修复|针对此事

整个训练流程如下所示，先预训练得到源领域和目标领域的模型，再训练元网络，再映射用户兴趣偏好去初始化目标领域上的用户表示：

文章插图

实验

我们在亚马逊的公开数据集上构造了三个跨领域推荐任务，具体任务如下表所示：

中科院、腾讯、北航提出：跨领域推荐中的个性化迁移用户兴趣偏好|WSDM 2022 | recommendation

文章插图

我们使用不同比例的数据量作为训练集，得到以下实验结果，可以看到我们的方法远远超过baselines。

文章插图

此外我们还做了warm start实验，也就是基于这个映射得到向量表示作为初始化，使用后续交互数据微调，得到以下结果，可以看到，针对warm start场景，我们的方法也是很有效的，这也是第一篇同时验证跨领域推荐方法在cold-start和warm-start场景的文章。

文章插图

总结

这篇文章我们研究了跨领域推荐中的冷启动问题，我们发现公共的用户偏好桥无法很好的建模不同用户在不同领域的偏好间的关系，因此我们提出了一种个性化迁移用户兴趣偏好的方法。实验证明我们的方法是一种高效且实用的方法。
参考文献：
[1] Man T, Shen H, Jin X, et al. Cross-Domain Recommendation: An Embedding and Mapping Approach[C]//IJCAI. 2017, 17: 2464-2470.
[2] Kang S K, Hwang J, Lee D, et al. Semi-supervised learning for cross-domain recommendation to cold-start users[C]// CIKM: 1563-1572.
[3] Zhu Y, Ge K, Zhuang F, et al. Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users[C]. SIGIR, 2021.
[4] Zhu Y, Xie R, Zhuang F, et al. Learning to Warm Up Cold Item Embeddings for Cold-start Recommendation with Meta Scaling and Shifting Networks[C].SIGIR, 2021.
[5] Zhu Y, Liu Y, Xie R, et al. Learning to Expand Audience via Meta Hybrid Experts and Critics for Recommendation and Advertising[C]. KDD, 2021.
雷锋网
【中科院、腾讯、北航提出：跨领域推荐中的个性化迁移用户兴趣偏好|WSDM 2022 | recommendation】