跨域推荐(Cross-Domain Recommendation)的最新综述

论文解读系列第十六篇：IJCAI 2021--跨域推荐（Cross-Domain Recommendation）的最新综述 - 知乎

数据稀疏问题

目录

1.背景介绍

(1)内容层级相关性(content-level relevance)

(2)用户层级相关性(user-level relevance)

(3)产品层级相关性(item-level relevance)

2.综述的动机

3.不同的跨域推荐场景以及挑战

场景1. 单目标跨域推荐(single-target CDR)

场景2. 多领域推荐(Multi-Domain Recommendation)

场景3. 双目标跨域推荐(dual-target CDR)

​场景4. 多目标跨域推荐(Multi-target CDR)

4.相关的研究进展 

5.可用数据集合

​6.未来研究方向 

7.结论

8.参考文献​​​​​​​

1.背景介绍

        在大多数的推荐应用场景，很少有用户给大量的产品反馈信息，例如点赞、评分、评论等等。在推荐系统里，这样的反馈信息匮乏现象被称为数据稀疏问题。几乎所有的推荐系统，尤其是基于协同过滤技术（Collaborative Filtering，CF）的推荐系统，都多多少少受到数据稀疏的影响。特别对于新用户或者新产品（Cold-Start，冷启动问题）来说，由于在系统内还没有产生任何的交互信息（评分、评论等等），推荐的精度会比较低。这是因为，在训练基于CF思想的推荐模型时，稀疏的训练数据往往会造成过拟合问题。跨域推荐的提出就是为了解决这个数据稀疏问题。基本思路是利用丰富领域（richer domain又称为source domain）的较为丰富训练数据来提升稀疏领域（sparser domain又称为target domain）的推荐精度。

        要想清楚理解跨域问题，首先先理清领域（domain）的定义，因为这个定义在很多的CDR相关文献中都比较模糊。例如，有些文献中以不同的产品（例如电影和图书）来划分领域而有些文献则以产品的细分属性（例如教科书和小说）来划分领域。因此，综述首先根据三种不同层级的相关性，给出了“领域”的具体定义：

(1)内容层级相关性(content-level relevance)

        两个或多个领域中，用户之间或产品之间存在共同的内容或者特征（例如关键字、标签）。但是这些领域不存在共同的用户或者产品。例如：亚马逊音乐（Amazon music，音乐相关）和奈飞（Netflix，电影相关）。

(2)用户层级相关性(user-level relevance)

        两个或多个领域中，存在共同用户但是产品层级不同。产品层级的不同又可以细分为属性层级（attribute-level）的不同（即类型相同（例如图书）但是属性不同，例如教科书、小说、自传等等）和类型层级（type-level）的不同（例如图书、电影、音乐、服装等等）。

(3)产品层级相关性(item-level relevance)

        两个或多个领域中，存在共同产品但是用户不同。例如：MovieLens和奈飞，都是电影相关的系统，存在大量相同的电影，但是用户不同，或者很难识别用户一致性。这种类型在一些文献里又被称为cross-system recommendation（跨系统推荐）。

        实质上，“领域”的不同定义是根据两个域的不同重叠部分(overlap)来区分的。理解清楚“领域”的定义，对接下来了解现有跨域推荐方法或者未来趋势有很大的帮助。

2.综述的动机

        实际上，跨域推荐不是一个新的研究课题。从2007年，Shlomo Berkovsky 等人第一次提出“跨域推荐”这个概念开始,已经有了四篇相关的综述文章（具体见综述原文）。然而，近些年来，在跨域推荐领域出现了一些新的或愈发明显的挑战，例如特征映射问题、嵌入（embedding）优化问题以及负面迁移问题（negative transfer）。另外，随着应用场景的拓展，跨域推荐也出现了一些新的方向，例如双目标跨域推荐（dual-target CDR）和多目标跨域推荐（multi-target CDR）。这些新的挑战以及新的研究方向，促使综述作者们整理出了这篇新的综述论文。

3.不同的跨域推荐场景以及挑战

场景1. 单目标跨域推荐(single-target CDR)

        传统的跨域推荐主要是针对的单目标跨域推荐（single-target CDR），即利用丰富领域（源领域，source domain）来提升稀疏领域（目标领域，target domain）的推荐精度。根据上面“领域”的不同定义，单目标跨域推荐可以细分为以下三个应用场景：

        这个场景下，研究人员将面临如下三个挑战：

(1)构建基于内容的关系；

(2)生成准确的用户/产品嵌入表达（embeddings）或者评价模式（rating patterns）；

(3)学习准确的映射关系：领域之间embeddings或rating pattern的迁移对应关系。

场景2. 多领域推荐(Multi-Domain Recommendation)

        在单目标跨域推荐中，有一个研究分支，即多领域推荐（Multi-Domain Recommendation）。这个分支主要针对来之多个领域的特定用户集中用户，推荐来之多个领域的特定产品，本质上这也是single-target CDR，因为推荐的目标是特定一个集合（用户集合）。因此，本综述认为这个研究方向还是single-target CDR的一个分支。

场景3. 双目标跨域推荐(dual-target CDR)

        这是一个新的跨域推荐场景，即同时利用两个领域的数据来同时提升两个领域的推荐精度。这个场景面临以下两个新的挑战：

(1)构建一个可行的双目标跨域推荐的框架；

(2)各领域之间的对应关系，优化用户/产品的嵌入表达（embeddings）。

场景4. 多目标跨域推荐(Multi-target CDR)

        这也是一个新的跨域推荐场景，即同时利用多个领域的数据来同时提升多个领域的推荐精度。这个场景面临以下挑战：避免负面迁移（negative transfer），这个问题随着越来越多领域的加入会愈加严重。

4.相关的研究进展 

现有的跨域推荐方法主要划分如下图：

现有方法针对的推荐场景、挑战以及它们利用的数据类型、技术理念，请见综述原文。 

5.可用数据集合

综述中整理了一些跨域推荐可用的数据集合：

6.未来研究方向 

        根据前文总结的不同推荐场景、挑战以及已经取得的成果，综述给出了三个未来值得研究方向以供参考：

(1)异质化跨域推荐：现有跨域推荐的假设前提是跨域的信息是同质的，但是实际应用场景中，存在跨域的异质信息。

(2)序列化跨域推荐：跨域推荐系统也和传统推荐系统一样，面临如何序列化地给用户/产品建模。

(3)隐私保护的跨域推荐：现有的跨域推荐方法忽略了信息孤岛的问题。而实际应用场景，用户敏感信息是无法直接跨域分享的。

        另外，数据集稀疏程度、领域间的重叠规模（overlap scale）、以及领域间的关联度，如何分别影响跨域推荐的性能？这些问题同样也值得进一步研究。

7.结论

        近些年，随着深度神经网络以及图学习的发展，跨域推荐越来越受工业界、学术界的关注。本篇综述分别从单目标跨域推荐、多领域推荐、双目标跨域推荐、以及多目标跨域推荐来系统性地分析、总结现有跨域推荐方法。综述的最后，给出了三个未来值得研究方向以供读者参考，并希望这些方向能得到进一步的研究，最终解决困恼推荐领域多年的问题——数据稀疏问题。

8.参考文献

        [原文]. Feng Zhu, Yan Wang, Chaochao Chen, Jun Zhou, Longfei Li and Guanfeng Liu. Cross-Domain Recommendation: Challenges, Progress, and Prospects. IJCAI 2021 Survey Track.