一个研究生的推荐系统学习记录

跨域推荐库RecBole-CDR，与Recbole有一些差异，在学习过程中通过查看源代码获取具体的信息，特在此记录以备后续查看。

阅读日期：2021.8.27论文地址：论文来源（我阅读的是arxiv上的预印版）论文信息：Ye Bi, Liqiang Song, Mengqiu Yao, Zhenyu Wu, Jianming Wang, and Jing Xiao. 2020. DCDIR: A Deep Cross-Domain Recommendation System for Cold Start Users in Insurance Domain. Proceedings of the 43rd Internationa.

阅读日期：2021.6.5论文地址：论文来源论文信息：Zhao C, Li C, Fu C. Cross-domain recommendation via preference propagation GraphNet[C]//Proceedings of the 28th ACM International Conference on Information and Knowledge Management. 2019: 2165-2168.发现问题现有的“潜在空间中进行知识迁移”的跨领.

摘选自《Recommender Systems Handbook》—— “27.5.1 Linking Domains”  本文主要针对跨领域推荐中知识链接类方法进行概述。在介绍具体内容前将相关的基础知识加以介绍。跨领域推荐面临的关键问题数据的有效选取　　由于存在许多能够对目标域进行信息补充的领域，每个辅助域中又有许多潜在的可利用数据。不同辅助域内的信息能够提供的贡献程度有所不同，选取不合理的话甚至可能产生反向效果。因此，面对海量的真实数据，合理选取出对推荐性能的提升更有帮助的数据是跨领.

阅读日期：2020.7.9论文地址：论文来源研究目的　　跨领域推荐的场景下，通过知识图谱挖掘的语义信息来连接不同领域，利用协同过滤中矩阵分解的思想来解决其中的用户冷启动问题。发现问题冷启动问题：通过跨领域推荐的方式（源领域数据解决目标域中缺少用户偏好）来解决大多数跨领域推荐仅采用协同过滤的方式，而没有考虑项目的内在信息： 由于不同领域间的内容具有异构性，采用CF方式能够避免对项目内容进行分析；语义网和链接数据能够提供大量结构化的、相互链接的metadata这些元数据代表了一个潜在的信.