[论文解读] Cross-Domain Recommendation: Challenges, Progress, and Prospects

Feng Zhu, Yan Wang+4 more|arXiv (Cornell University)|Mar 2, 2021

Recommender Systems and Techniques参考文献 50被引用 16

一句话总结

本文对跨域推荐（CDR）进行了全面综述，将现有方法分类为单目标、多领域、双目标和多目标CDR。提出了一个全景式分类体系，分析了负迁移等挑战，并指出了异构CDR、序列CDR和隐私保护CDR中的关键研究前景，为缓解推荐系统中数据稀疏性问题的未来研究提供了基础参考。

ABSTRACT

To address the long-standing data sparsity problem in recommender systems (RSs), cross-domain recommendation (CDR) has been proposed to leverage the relatively richer information from a richer domain to improve the recommendation performance in a sparser domain. Although CDR has been extensively studied in recent years, there is a lack of a systematic review of the existing CDR approaches. To fill this gap, in this paper, we provide a comprehensive review of existing CDR approaches, including challenges, research progress, and future directions. Specifically, we first summarize existing CDR approaches into four types, including single-target CDR, multi-domain recommendation, dual-target CDR, and multi-target CDR. We then present the definitions and challenges of these CDR approaches. Next, we propose a full-view categorization and new taxonomies on these approaches and report their research progress in detail. In the end, we share several promising research directions in CDR.

研究动机与目标

• 系统性回顾现有的跨域推荐（CDR）方法，以解决推荐系统中长期存在的数据稀疏性问题。
• 基于用户、物品和内容层面的相关性，将CDR分为四类——单目标、多领域、双目标和多目标CDR。
• 识别并分析CDR中的关键挑战，包括多目标场景下的负迁移问题以及跨域数据异构性。
• 提出新的分类体系与研究方向，如异构CDR、序列CDR和隐私保护CDR，以指导未来研究。
• 通过总结代表性工作、数据集和开放挑战，为研究人员提供一个整合性的参考。

提出的方法

• 本文基于领域相关性，提出将CDR全面划分为三类：内容级、用户级和物品级相关性。
• 将现有CDR方法归类为三种传统类型：基于内容的迁移、基于嵌入的迁移和基于评分模式的迁移，每种方法利用不同形式的跨域知识。
• 作者分析了基于嵌入的迁移机制，该方法利用协同过滤模型（如SVD、BPR、神经协同过滤）中的用户/物品嵌入，并通过共现用户或物品实现知识迁移。
• 对于基于评分模式的迁移，该方法采用多任务学习、迁移学习和聚类等机器学习技术，实现在不同领域间评分行为模式的迁移。
• 本文提出一种新颖的分类体系，根据目标领域数量和跨域对齐的本质（如共享用户、共享物品或共享内容）来区分CDR场景。
• 评估了现有数据集并指出了其局限性，为研究人员提供可访问且具代表性的CDR基准参考。

实验结果

研究问题

• RQ1 如何通过利用信息更丰富的源领域，有效缓解稀疏领域中的数据稀疏性问题？
• RQ2 单目标、多领域、双目标和多目标CDR场景之间的基本差异与挑战是什么？
• RQ3 跨域中异构数据源（如评分、社交互动、评论）如何影响知识迁移与推荐性能？
• RQ4 在多目标CDR中，特别是来自无关或噪声源领域的负迁移风险，其主要挑战是什么？
• RQ5 哪些新兴研究方向——如序列建模、异构数据融合和隐私保护技术——最有可能推动CDR的发展？

主要发现

• 多目标CDR极具挑战性，主要源于负迁移风险，目前仅有MDCDR和共享异构图模型等少数方法被提出。
• 现有CDR方法通常假设各领域间数据同质，但现实系统中存在显著异质性（如电商与社交媒体之间），限制了知识迁移的有效性。
• 序列CDR是一个前景广阔但研究不足的方向，因其需要同时建模长期序列依赖关系与跨域知识迁移。
• 隐私保护CDR仍基本未被研究，目前仅对社交矩阵分解等简单模型提供了基础解决方案，表明存在重大研究空白。
• 本综述发现，在用户级或物品级相关性场景下，基于嵌入的迁移和基于评分模式的迁移方法优于基于内容的迁移方法。
• 尽管已有进展，多目标CDR仍缺乏稳健解决方案，现有方法未能充分应对从多个多样化领域同时迁移知识的复杂性。