用于推荐系统的迁移学习方法的简要总结

用于推荐系统的迁移学习方法主要分为基于样本、基于特征和基于模型三类，通过利用源域数据辅助目标域任务，解决数据稀疏或冷启动问题，核心方法及问题设置总结如下：

一、基于样本的迁移学习方法

此类方法通过调整样本权重或直接利用源域样本辅助目标域模型训练，核心思想是筛选与目标域相似的源域数据。

ABPR（Adaptive Bayesian Personalized Ranking）
问题设置：从用户前端浏览行为迁移到交易行为的物品排序任务。
特点：通过自适应贝叶斯个性化排序，利用浏览数据优化交易场景下的排序模型。
sTL（Self-Transfer Learning）
问题设置：从前端浏览行为迁移到数值评分预测任务。
特点：通过自迁移机制，将浏览行为中的隐式反馈转化为评分预测的显式信号。
TMH（Transfer Meets Hybrid）
问题设置：从用户端应用安装行为迁移到阅读反馈的物品排序任务。
特点：结合混合模型，利用安装行为数据增强阅读场景下的排序准确性。
TIF（Transfer by Integrated Factorization）
问题设置：从前端不确定评分（如模糊反馈）迁移到数值评分预测任务。
特点：通过集成矩阵分解，将隐式反馈映射为显式评分。
ToR（Transfer to Rank）
问题设置：从前端浏览行为迁移到数值评分的物品排序任务。
特点：直接利用浏览数据优化排序模型，减少对评分数据的依赖。
TJSL（Transfer via Joint Similarity Learning）
问题设置：从前端浏览行为迁移到交易行为的物品排序任务。
特点：通过联合相似度学习，捕捉浏览与交易行为间的潜在关联。

二、基于特征的迁移学习方法

此类方法通过共享或迁移特征表示（如用户/物品侧信息）实现跨域推荐，核心是利用辅助信息弥补目标域数据不足。

CMF/JMF（Joint Matrix Factorization）
问题设置：从物品侧信息（如描述、类别）迁移到评分预测任务。
特点：通过联合矩阵分解，将物品侧信息融入评分模型，提升预测准确性。
CST（Coordinate System Transfer）
问题设置：从用户和物品的浏览行为迁移到数值评分预测任务。
特点：通过坐标系转换，统一浏览与评分数据的特征空间。
TCF（Transfer by Collective Factorization）
问题设置：从前端二元评分（如点赞/点踩）迁移到数值评分预测任务。
特点：通过集体矩阵分解，将二元反馈转化为连续评分。
CoNet（Collaborate Cross Networks）
问题设置：从用户侧信息（如社交关系）迁移到物品排序任务。
特点：通过跨网络协作，利用用户信息优化物品推荐。
GCBAN（General Cross Domain Framework via Bayesian Neural Network）
问题设置：从用户侧信息迁移到评分预测任务。
特点：基于贝叶斯神经网络，构建通用跨域推荐框架。
NATR（Neutral Attentive Transfer Recommendation）
问题设置：从物品侧数值评分迁移到物品推荐任务。
特点：通过注意力机制，聚焦关键评分特征提升推荐效果。

三、基于模型的迁移学习方法

此类方法直接迁移源域模型结构或参数到目标域，核心是复用预训练模型的知识。

CBT/RMGM/CLFM
问题设置：从数值评分数据迁移到数值评分预测任务（同构迁移）。
特点：
CBT（Codebook Based Transfer）：通过码本迁移共享评分模式。
RMGM（Rating Matrix Generative Model）：利用生成模型迁移评分分布。
CLFM（Cluster Level Latent Factor Model）：通过聚类级潜在因子模型迁移用户/物品特征。
CKT-FM（Compressed Knowledge Transfer via Factorization Machine）
问题设置：从前端浏览行为迁移到数值评分预测任务。
特点：通过压缩知识迁移，利用分解机模型减少数据稀疏性影响。
DSN（Domain Separation Network）
问题设置：从用户交互行为迁移到物品推荐任务（跨交互模式迁移）。
特点：通过领域分离网络，剥离域特定特征，保留共享特征。

总结

热门标签