人工智能应用实战系列-如何在新闻推荐中使用迁移学习

导读：

新闻推荐已经成为移动设备中的一项重要服务，其目的是让大多数用户知道世界上发生了什么。我们假设用户在某个新闻推荐服务中首次注册，并且以前没有读过任何新闻文章。此任务与新用户冷启动挑战和新物品 ( 即新闻文章 ) 冷启动挑战相关，因此称为双冷启动推荐 ( Dual Cold-Start Recommendation, DCSR )。

对于双冷启动推荐问题，现有的新闻推荐方法 ( Das等人，2007；Liu等人，2010a ) 不适用，因为这些方法依赖用户的历史阅读行为和新闻文章的内容信息，这些信息在双冷启动推荐问题中不可用。

可以从迁移学习的角度来解决双冷启动推荐问题。尽管在新闻领域中没有关于冷启动用户和冷启动物品的用户行为，但也可能存在其他相关领域的用户行为。新闻领域的大多数冷启动用户已经安装了一些应用程序，而这些信息可能有助于确定用户对新闻文章的偏好。特别地，我们假设具有类似应用程序安装行为的用户可能对新闻文章有类似的兴趣。有了这个假设，应用程序域中的邻域信息就可以作为知识来迁移到新闻文章的目标域。 

01 问题定义

在新闻推荐问题中有两个领域：一个是应用程序领域，作为源域；另一个是新闻领域，作为目标域。

在应用程序领域中有一个三元组，即 ( u，g，Gug )，表示用户u已经安装了属于类型g的移动应用程序Gug次。然后，应用程序领域的数据可以表示为用户类型矩阵G，如图所示。