[论文解读] A Survey on Cross-domain Recommendation: Taxonomies, Methods, and Future Directions

Tianzi Zang, Yanmin Zhu+3 more|arXiv (Cornell University)|Aug 7, 2021

Recommender Systems and Techniques被引用 4

一句话总结

本综述对跨域推荐（CDR）进行了全面、系统的分析，提出了一种两级分类法以组织 CDR 场景与任务。它回顾了传统与基于深度学习的方法，评估了常用数据集，并指出了关键挑战与未来研究方向，为解决跨领域数据稀疏性与冷启动问题的研究者提供了基础参考。

ABSTRACT

Traditional recommendation systems are faced with two long-standing obstacles, namely, data sparsity and cold-start problems, which promote the emergence and development of Cross-Domain Recommendation (CDR). The core idea of CDR is to leverage information collected from other domains to alleviate the two problems in one domain. Over the last decade, many efforts have been engaged for cross-domain recommendation. Recently, with the development of deep learning and neural networks, a large number of methods have emerged. However, there is a limited number of systematic surveys on CDR, especially regarding the latest proposed methods as well as the recommendation scenarios and recommendation tasks they address. In this survey paper, we first proposed a two-level taxonomy of cross-domain recommendation which classifies different recommendation scenarios and recommendation tasks. We then introduce and summarize existing cross-domain recommendation approaches under different recommendation scenarios in a structured manner. We also organize datasets commonly used. We conclude this survey by providing several potential research directions about this field.

研究动机与目标

• 通过在不同领域之间实现知识迁移，解决传统推荐系统中持续存在的数据稀疏性与冷启动问题。
• 提供跨域推荐（CDR）研究的结构化、全面概述，尽管其重要性日益增长，但该领域仍缺乏系统性综述。
• 基于一种新颖的两级分类法，对现有 CDR 方法进行组织与分类，以区分推荐场景与任务。
• 评估并总结 CDR 研究中广泛使用数据集，包括单领域与多领域数据集。
• 识别并讨论 CDR 领域的开放性挑战与有前景的未来研究方向，尤其关注可解释性、迁移学习与模型泛化能力。

提出的方法

• 提出两级分类法：第一级根据用户与项目重叠情况（如用户重叠、项目重叠、无重叠）将 CDR 分类为不同场景；第二级根据目标领域与推荐目标对任务进行分类。
• 回顾并分类传统机器学习方法，如矩阵分解、因子分解机、协同聚类与潜在语义分析在 CDR 中的应用。
• 分析基于深度学习的 CDR 方法，包括自编码器、图神经网络与注意力机制，强调其在建模复杂用户偏好与跨域知识迁移方面的优势。
• 研究利用重叠用户或项目作为领域间桥梁的迁移策略，并探讨在无重叠情况下的替代方法，如利用辅助信息（如评论、标签、用户资料）。
• 引入并评估 CDR 研究中常用的基准数据集，包括 Movielen、Amazon 与 Epinions，突出其多领域与多源特性。
• 讨论可解释性技术，如注意力可视化、T-SNE 用于潜在空间解释，以及基于知识图谱的推理，以增强跨域推荐的透明度。

实验结果

研究问题

• RQ1 如何有效利用跨域推荐缓解传统推荐系统中的数据稀疏性与冷启动问题？
• RQ2 各类跨域推荐场景（如用户重叠 vs. 无重叠）在结构与功能上的关键差异是什么？这些差异如何影响方法设计？
• RQ3 在无重叠用户或项目的情况下，哪些技术最有效地实现用户偏好与项目表征的跨域迁移？
• RQ4 与传统机器学习方法相比，深度学习模型在 CDR 中如何提升性能？其局限性又是什么？
• RQ5 在多领域与异构设置下，如何提升跨域推荐模型的可解释性与可信度？这方面的开放挑战是什么？

主要发现

• 两级分类法通过区分领域交互模式（场景）与推荐目标（任务），有效组织了 CDR 研究的多样化格局，实现了对现有工作的更清晰分类。
• 基于深度学习的方法，尤其是使用注意力机制与图神经网络的方法，在处理跨域复杂非线性用户偏好迁移方面显著优于传统方法。
• Movielen、Amazon 与 Epinions 等数据集被广泛用于 CDR 研究，但其多领域特性与不同规模要求对模型泛化能力与可迁移性进行仔细评估。
• CDR 中的可解释性仍发展不足，其挑战源于跨域文本数据在语言与风格上的差异，可能影响生成解释的可读性与连贯性。
• 整合辅助信息（如评论、标签、用户资料）即使在缺乏重叠用户或项目的情况下，也能实现有效的知识迁移，尤其当与深度表征学习结合时效果更佳。
• 尽管已有进展，跨域模型在领域偏移与分布差异方面仍存在挑战，凸显了对更鲁棒的领域不变性与解耦表征学习技术的迫切需求。