A Comprehensive Survey on Cross-Domain Recommendation:Taxonomy, Progress, and Prospects
一篇25年的CDR综述:概述了CDR分类、进展与展望
CDR是一种借助其他领域的推荐来给目标领域提供更好的推荐的推荐系统。本文从跨域相关性、跨域交互、跨域表示增强和模型优化方面展开综述。
CDR有效地解决了单域推荐系统的数据稀疏性和冷启动问题。另外,传统的推荐一般利用的是历史交互记录,可能包括用户画像和项目信息。
CDR概述
CDR流程
CDR一般流程是:域间链接、跨域交互和推荐。
域间连接:通过共享元素来实现,比如通过重叠的用户和项目、通过产品文本描述和图像内容来建立连接模型。使用VIT2020或Bert2019
跨域交互:建立连接之后,CDR需要融合来自多个域的知识,以更准确的对用户和项目践行建模。
推荐:完成上述两步后,模型可以使用来自多个领域的知识做出推荐。但仍存在问题:数据稀疏、域不平衡、负迁移等。(许多研究提出通过合并跨域信息来增强用户和项目表示)
分类
挑战1:如何建立域间连接?(虽然可以通过重叠用户和项目建立,但是有些场景缺乏重叠部分,并且随着计算机视觉和自然语言处理的进步,大语言模型使基于内容的CDR成为可能)
挑战2:如何有效利用跨域信息?这是CDR有效推荐的关键步骤。主要问题在于捕