扩散多兴趣驱动的跨域推荐框架：解决冷启动问题的新范式

针对跨域推荐(CDR)中用户兴趣分布差异与冷启动难题，研究者提出扩散多兴趣框架DICDR。该工作通过异构信息网络(HIN)捕捉多维度用户兴趣，利用扩散模型实现兴趣分布迁移，结合注意力融合网络生成精准用户表征。实验表明该方法显著提升冷启动场景下的推荐性能，为CDR领域提供新思路。

　　

在推荐系统领域，冷启动问题犹如一道难以逾越的高墙，尤其是当新用户缺乏历史交互数据时，传统推荐模型往往束手无策。跨域推荐(Cross-Domain Recommendation, CDR)被视为破局的关键——通过将源域(如电影评分)的知识迁移至目标域(如音乐推荐)，理论上能显著缓解数据稀疏性。然而现有方法存在两大致命缺陷：一是忽视用户兴趣在不同领域的分布差异，例如篮球迷在电影领域偏好运动题材，但音乐推荐时可能更倾向摇滚而非单纯体育相关曲目；二是难以捕捉冷启动用户的潜在多元兴趣，导致推荐结果缺乏多样性。

针对这些挑战，中国研究人员创新性地提出DICDR框架。该工作首先构建异构信息网络(Heterogeneous Information Network, HIN)，通过元路径(如uibiu、uiu)多维度解析用户兴趣；随后引入扩散模型这一"分布学习大师"，在反向阶段重构兴趣分布以实现跨域迁移；考虑到冷启动用户交互稀疏，设计基于源域交互指导的注意力融合网络动态生成用户表征。相关成果发表于《Expert Systems with Applications》。

关键技术方法包含：1)基于HIN和元路径的多兴趣提取；2)多兴趣扩散模型实现分布对齐；3)注意力融合网络计算兴趣权重；4)任务导向的联合优化策略。实验采用真实世界大规模数据集验证，涵盖不同冷启动强度场景。

研究结果部分显示：
性能对比实验：在Recall@20和NDCG@20指标上，DICDR较CMF、MCDSR等基线模型提升12.3%-28.7%，尤其在极端冷启动场景优势显著。
泛化性验证：当目标域基模型分别为NGCF和LightGCN时，DICDR均保持稳定性能，证明框架兼容性。
消融分析：移除扩散模块导致性能下降19.2%，证实分布学习的关键作用；注意力网络使新颖性指标提升31.5%。
案例研究：可视化显示DICDR能同时保留用户对"篮球"的核心兴趣和"电子乐"的潜在偏好，而基线模型仅强化显性兴趣。

结论部分强调，该研究首次将扩散模型的分布学习能力引入CDR领域，突破传统VAE(Variational Autoencoder)的后验坍塌限制。理论层面，提出"兴趣分布迁移"新范式；实践层面，注意力融合网络为稀疏交互下的用户建模提供新思路。局限性在于未考虑动态演化的兴趣分布，未来可结合时序建模进一步探索。这项工作不仅为冷启动推荐开辟新路径，其多兴趣建模框架对社交网络分析、精准营销等领域亦有启示意义。