CTL:Cross-domain Collaboration Recommendation_ctl模型有必要做吗-优快云博客

本文链接：https://blog.youkuaiyun.com/Guozyan/article/details/137489882

CTL（Cross-domain Topic Learning）是为了解决跨域协作推荐中的稀疏连接、专业知识互补和主题偏斜问题。它通过主题层整合跨域协作，针对相关主题建模。在出版物跨域合作数据上，CTL利用生成式主题模型，结合随机游走算法进行推荐，有效地捕获不同领域的协作模式。实验表明，CTL在推荐效果和效率上表现出优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Cross-domain Collaboration Recommendation

ACM-Jie Tang,Sen Wu,Jimeng Sun,Hang Su-2012

思路

跨域协作与传统的RS不同，主要不同之处有三：一是稀疏连接；二是互补的专业知识；三是主题偏斜。选择的研究对象是：出版物中的跨域合作数据。
本文提出CTL（Cross-domain Topic Learning）来解决这三个问题：为处理一，CTL通过主题层而不是作者层来整合现有的跨域协作，这解决了稀疏问题；为处理二，CTL的主题分布从源和目标域分开，以及域之间的相关性；为处理三，CTL只对跨域协作的相关主题进行建模。（并不是所有领域之间会有跨域协作，大概只有9%，所以我们应该专注于更好地建模那些具有高概率的跨域协作的主题）
虽然跨域协作面临的挑战是非常大的，但一旦成功形成这种跨域合作，影响通常是巨大的。在研究中发现，跨域协作在所哟可能的协作中只占一小部分。随着社会发展，跨域协作的趋势正逐渐增长，这证实了跨域协作的潜在需求。

CTL模型

CTL是一种生成式主题模型。它可以将跨域协作的相关主题与其他主题区分开来。最后将CTL集成到一个大规模的Web应用程序中，用于推荐跨域的研究和作者。
假设两个域：源域和目标域。目标是从源域中给目标域中的特定用户推荐潜在协作者。
G={V,E,X}，|V|=N，E的维度是VV，一个表示用户之间无向关系的集合，X是Nd属性矩阵，每行对应于用户的属性值的向量，用xj表示第j个属性。
假设每个用户vi都与d个属性关联。
用户的主题属性多项式分布为