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的方法，给目标领域冷启动用户进行更精准的推荐。作者来自中科院计算所、腾讯微信、北航。

随着个性化线上应用服务广泛采用，比如电商、线上新闻等等，但是在新（冷启动）用户提供精准服务方面仍有难题。跨领域推荐系统旨在从一个信息丰富的源领域向目标领域迁移知识来缓解这一问题[1,2,3]。这类方法的核心是如何连接用户在源领域和目标域内兴趣偏好与关系。

为了达到偏好迁移效果，很多已有的跨域推薦方法假设所有用户共享一种联系，并且学习一个公共偏好桥，如图1(a)所示。但事实上，由于人群差异，不同域间复杂关系因人而异，因此很难用一个公共桥梁捕捉这样复杂多样的关系。

因此，这篇文章提出了一种新的框架，PTUPCDR，即个人化迁移用户偏好的方法用于跨域推薦系统(PTUPCDR)。如图1(b)所示。使用元学习器，以从用户在源场景交互历史提取到的特质为输入建模个性化桥梁，再将源场景偏好表示输入预测得到的桥梁，得到目标场景冷启动表示。

论文整体框架包括两个部分：特质编码器和元网络。在特质编码器中，我们通过注意力机制，将每一项聚合到一起形成了对应来源场景下的特质；而元网络则利用这些特质作为输入，并输出了以该来源场景为基准建立起的一套独立于其他任何来源场景下都有效的人物模型（Meta Network），即基于这些参数我们可以生成各自不同的“看待世界”的方式或称之为“视角”。

对于整个训练过程，我们首先预训练出能够处理各类不同来源数据并能有效地理解其本身独有的规律与模式以及规律之间相互影响，而不只是简单地映射换地方。此后，我们再次对这个模型进行微调，以适应具体任务需求，使得它能够更高效地捕捉到真正反映实际情况的人物行为模式，从而确保最终结果更加符合实际需求。而最后，对于那些我们已经知道一些相关信息但不足以直接决定我们的行动或者决策时，我们会结合现有知识去调整我们的行为策略，让我们的决策更加贴近真实情况。

实验表明，在三个亚马逊公开数据集构造出的三个不同类型的情境下，该建议优于传统方案，为解决此类问题提供了有效解决方案。此外，还针对温暖起始情形进行验证，即利用该建议后的初始化向量作为基础，再进一步根据接收到的反馈细节调整与完善，最终获得了满意程度远超预期的情况。这不仅展示出了该建议在面临初次尝试时也能发挥作用，而且还展现出其适应能力强，同时保持持续改进和提升性能的大局观念。

总结来说，本文研究了跨域推薦中的冷启动问题，以及发现当前公认可行方案无法全面覆盖涉及多样性的潜在可能性，因此提出了PTUPCDR原理及其应用案例。在经过系列实验测试后，该原理显示出显著优势，并且被证明具有良好的普适性和可扩展性，为未来的研究方向指明了一条前进道路。

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]. SIGIR2021

[4] Zhu Y R Xie R Z F L et a l . Learning t o Warm Up C old I tem E mbeddings f or C old-s t art R ecommendation w ith Meta Scaling and Shifting Networks [C ] SIGIR2021

[5] Zhu Y Liu Y Xie R Z F L e t a l . Learning to Expand Audience via Meta Hybrid Experts and Critics for Recommendation and Advertising [C ] KDD202121