基于兴趣感知伪重叠用户对齐的跨域推荐系统研究

针对跨域推荐(CDR)中重叠用户依赖性和单一映射表达受限的难题，研究人员提出IPUA模型，通过构建全局共享兴趣池和兴趣元网络(IMN)，实现个性化兴趣桥接与半监督学习，显著提升冷启动用户推荐效果。实验证实其优于现有SOTA方法，为多兴趣跨域迁移提供新范式。

　　

在数字化浪潮席卷全球的今天，推荐系统已成为电商、社交平台和内容分发的核心引擎。然而，当用户初次踏入新领域时，系统常因缺乏历史行为数据陷入"冷启动"困境——就像让一位从未看过科幻电影的书迷直接面对海量影视推荐，难免手足无措。传统跨域推荐(Cross-Domain Recommendation, CDR)试图通过"重叠用户"(即在源域和目标域均有交互记录的用户)搭建知识迁移的桥梁，但现实却给研究者泼了冷水：亚马逊数据集显示，这类用户仅占5%-7%，且单一映射函数难以捕捉用户如"既爱悬疑电影又迷科幻小说"的多元兴趣。这种数据稀缺与表达局限的双重枷锁，使得现有系统在应对真实场景中占多数的冷启动用户时捉襟见肘。

为打破这一僵局，研究人员创新性地提出IPUA(Interest-aware pseudo-overlapping user alignment)模型。该工作首先构建跨域全局共享兴趣池，通过兴趣分布对齐和任务归一化促进知识共享；继而开发兴趣元网络(Interest Meta-Network, IMN)生成个性化兴趣桥，结合半监督学习缓解数据稀疏性。实验证明，IPUA在多项冷启动场景下均超越现有最佳方法，相关成果发表于《Expert Systems with Applications》。

关键技术方法包括：1)基于SINE框架的全局多兴趣探索模块，激活用户跨域兴趣表征；2)伪重叠用户匹配模块，通过兴趣分组对齐源域与目标域用户；3)IMN模块构建个性化兴趣迁移路径；4)半监督训练策略融合伪标签与推荐损失。实验采用真实场景的亚马逊多领域数据集验证效果。

【全局多兴趣探索】
通过联合训练跨域兴趣激活编码器，将用户映射到共享兴趣空间。采用对抗学习对齐兴趣分布，使不同域的同主题兴趣(如"科幻")聚集，解决了传统方法中兴趣孤岛问题。

【伪重叠用户匹配】
在激活的兴趣簇内，为源域用户匹配目标域中兴趣相似度最高的用户作为伪重叠对。这种"悬疑电影爱好者→侦探小说读者"的精准配对，突破了严格重叠用户的数量限制。

【兴趣元网络迁移】
IMN模块为每个兴趣生成专属映射函数，例如将用户对电影"星际穿越"的偏好，通过科幻兴趣桥转化为对书籍"三体"的推荐倾向，实现细粒度知识迁移。

【半监督学习框架】
联合优化伪重叠用户对齐损失与推荐任务损失，使模型既能利用有限真实重叠用户，又能挖掘潜在伪对齐关系，显著提升冷启动场景下的泛化能力。

这项研究为跨域推荐开辟了新思路：通过解构用户兴趣的"多面性"，以伪重叠用户拓展数据边界，用元学习实现个性化迁移。其价值不仅体现在推荐效果的提升，更在于突破了传统映射函数的表达瓶颈——正如作者在讨论中指出的，这种兴趣感知的迁移机制可扩展至多领域协同过滤场景。未来，结合动态兴趣演变的时序建模，或将进一步释放跨域推荐的潜力。