在WSDM 2022的盛会上，科研大腕们如同驾驭高科技赛车一样，展现了他们关于跨领域推荐系统中个性化迁移用户兴趣偏好的创新之旅。冷启动推荐一直是推荐系统中一个极具挑战的问题。跨领域推荐系统使用源领域中的交互数据来帮助目标领域的冷启动推荐。这篇文章提出了一种个性化迁移用户兴趣偏好的跨领域推荐方法，给目标领域冷启动用户进行更精准的推荐。

作者朱勇椿基于WSDM 2022论文《Personalized Transfer of User Preferences for Cross-domain Recommendation》，论文作者来自中科院计算所、腾讯微信、北航。论文链接：https://arxiv.org/pdf/2110.11154.pdf代码链接：https://github.com/easezyc/WSDM2022-PTUPCDR

背景介绍随着个性化线上app的增长，推荐系统被线上服务广泛采用，比如电商、线上新闻等等。但是推荐系统无法给新（cold-start）用户提供精准的推荐服务。

跨域推送旨在从信息丰富的一方向另一方迁移知识以缓解冷启动问题[1,2,3]。这类方法的核心是如何连接用户在一方的兴趣偏好和另一方的兴趣偏好。在过去，这些方法假设所有人都共享一种联系，并且学习一个公共桥梁，如图1(a)所示。

然而，由于个人差异，不同区域间复杂关系因人而异，因此难以用一个公共桥梁抓捕这些复杂多样关系。此外，由于元学习器难以优化，我们提出了直接将最终评分作为优化目标的一种目标导向训练方法。

框架整体框架如上所述，主要包括两个部分，即特质编码器与元网络。特质编码器利用注意力机制，将源域交互过的事项聚合成代表其特性的表示：

将得到的人物特质输入到元网络（meta network），输出个性化偏好桥：

注意的是，它输出的是偏好桥参数。而再将人物在源域得出的表示通过预测得到后的偏好桥获得人物在目的地域得出的表示：

这个过程可以用于为新的目的地域产生初次请求者的初始化矢量，从而进行初次请求者推送。

为了学习这个网络，我们使用映射导向损失函数，在两个区域重叠的人员上学，以使映射后的人物矢量尽可能靠近目的地人员矢量。但由于最后人的矢量由交互数据学出，所以我们希望跳过这个中间步骤，而直接用交互数据作为优化目标：

整个训练流程如下：先预训练模型，然后训练meta网络，再通过预测得到后的bridge对人物兴趣进行初始化并生成初次请求者的矢量：

实验结果显示，在三个亚马逊公开数据集构造出来的大型项目任务场景下，该技术远超基准测试:

此外，我们还研究了“温暖起飞”情境，即首先根据该映射建立初始矢量，然后利用接下来交互数据微调，该技术也表现出色:

总结本文探讨了跨界推送中的开始阶段问题，因为公用的英雄路径不能很好捕捉不同英雄之间不同地区间关联，因此提出了一种特殊处理英雄路径以适应不同的英雄和地域需求。本文实验证明我们的解决方案是一种有效且可行方式:

参考文献：

[1] Man T, Shen H, Jin X, et al. Cross-Domain Recommendation: An Embedding and Mapping Approach[C]//IJCAI. 2017:2464-2470.

[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., & Liu Y.. 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., & Zhang Z.. Learning to Expand Audience via Meta Hybrid Experts and Critics for Recommendation and Advertising[C].KDD; 2021.

雷锋网