作者 | Chilia 整理 | NewBeeNLP
什么是跨域推荐呢？一句话概括就是：跨域推荐（Cross-Domain Recommendation）是 迁移学习 在推荐系统中的一种应用。
跨域推荐的目的一般是下面几个：
- 解决冷启动/数据稀疏问题 ：例如，一个公司的两个APP业务，用户群体(user)交叉很大，但是item不同，当A业务的用户首次来访B业务时（冷启动问题），如何做出有效的推荐、从而提升留存/转化率呢？或者，假如B业务的用户行为数据量很少（数据稀疏问题），训练的时候不免会过拟合，怎么去获得更丰富的用户数据呢？此时，A业务就可以作为源域、B业务作为目标域，利用好源域的丰富用户行为信息，作为目标域的辅助，使得在目标域甚至多个域上都能进行更好的推荐。例如，豆瓣根据用户的电影评论来给用户推荐书，这就是假设了同样的用户对于电影和书有着相似的品味。
- 跳出信息茧房 ：基于同业务的推荐，往往会让用户的兴趣越变越窄，因为都是基于用户的行为进行挖掘的，当使用跨域推荐时可以跳出原先的舒适圈，从而改善推荐系统的平衡性、多样性和新奇性。
域的相似性来自于哪里？
域的相似性可以从如下几个方面来看：
- Content-level 的相似性。指的是不同域的item/user有着相似的 属性 。例如Amazon music 和 Netflix的业务比较相似，虽然他们没有很多相同的user和item，但是user和item的属性是类似的。
- User 相似性。两个域有着很多相同的用户。例如抖音和西瓜视频有很多公共用户。
- Item 相似性。两个域有着很多相同的商品。例如Movielens 和 Netflix有很多相同的电影。
跨域推荐的分类
- Single-target ：一个具有丰富数据的源域，和稀疏数据的目标域。需要利用源域的辅助信息，提升目标域的推荐准确率。可以进行feature层面的参数共享，也可以进行user/item的embedding共享（直接把源域的embedding拿到目标域来用，或者进行某种mapping映射）。
- Dual-target：同时提升两个域（或者多个域）的推荐效果，两个域的信息相辅相成。类似multi-tasking，这里需要防止negative transfer，即稀疏域对于源域有着负面的影响。所以，不能简单的把迁移方向从rich->sparse改成sparse->rich。
下面，介绍四种常见的跨域推荐解决方案。
1. 共享重合user/item的embedding表示
对于那些两个域中有重叠user/item的情况，可以共享、融合不同域中相同user/item的embedding表示，来使得embedding包含每个领域中的信息。如何 结合 不同领域中的embedding，是值得仔细研究的问题。
代表论文：A Graphical and Attentional Framework for Dual-Target Cross-Domain Recommendation[1] [ijcai, 2020]
模型结构
这篇论文属于dual-target迁移，即 同时 提升源域和目标域的准确率。亮点有两个：
（1）使用图网络来建模user-item, user-user, item-item的关系
（2）更精细地合并不同域的重合user/item embedding（使用 attention 机制）
下面来详细介绍模型结构。
- Input Layer: ratings就是我们熟悉的user-item评分矩阵，记录的是user-item互动关系；content端包括的是一些属性信息，例如对于item来说，可以是item detail信息；对于user来说，是user profile。
- Graph Embedding Layer: 如果只使用collaborative filtering方法，那么就只考虑了user-item交互，而没有考虑user-user和item-item相似度信息。所以，不妨综合 user-item交互、user-user 相似度、item-item相似度构建图网络，然后利用deepwalk等node2vec方法得到user和item的embedding向量。(注：因为这个是召回模型，所以item embedding应该是提前线下算好存起来的）
- ⭐Feature combination layer: 之前的一些方法都是对两个域的重合embedding做一些简单的组合，例如average-pooling, concat等。但是这样并不能把握不同域embedding的重要性，所以本文使用了一种 element-wise注意力 机制，分别对两个域赋予不同的embedding权重。（注：本层是跨域迁移的重点，因为在这里综合了两个域中相同user/item的embedding。使用注意力机制是为了解决negative transfer的问题，即稀疏域因为学的没那么好，会对源域有着负面的影响 -- 这里就可以自动的为稀疏域的不太好的embedding分配较小权重，让它不要对源域的结果有太大影响。）
- Neural Network layers: 因为这是个召回模型，所以这里是双塔，两塔之间无交互。
- Output Layer: user塔和item塔输出归一化后求点积。由于召回点击日志没有负样本，所以还涉及到负采样。
2. 所有领域共享一个异构图的方法
对于不同领域间有重叠user/item的情况，可以以这些重叠user/item作为 桥梁 ，链接起不同的领域。这样，我们就得到了 一个所有领域共享的异构图 ，形如下图：
代表论文：HeroGRAPH: A Heterogeneous Graph Framework for Multi-Target Cross-Domain Recommendation [recsys 2020][2]
这篇文章还是为了解决协同过滤中的sparsity issue，只不过针对的是多个域的共同学习。如果有n个域的话，采用上文所述的pairwise迁移方法就需要构建 个域之间的关系，可不可以直接把所有域的关系都综合起来呢？
可以构建一个所有域共享的异构图，如果user对某个item有交互，那么user-item之间就有边，边的权重可以是正则化后的rating；user-user和item-item边的权重是它们属性特征的相似度。这里，重叠的用户充当着链接起多个域的“桥梁”：
模型结构如下：
对于每个user/item分别学习两个embedding:
- within-domain embedding. 在自己的领域内根据user-item评分矩阵得到embedding
- cross-domain embedding. GraphSAGE是一种通过聚合第k-1层节点自己和邻居的embedding来得到第k层节点表示的方法。在这里我们采用使用max-pooling聚合的GraphSAGE方法，具体计算方法如下：
之后，把两个embedding用某些方法拼接/融合在一起，利用双塔模型计算user-item相似度。
3. 基于域间映射的模型
适用场景：存在多个数据较为充足的 源域 ，以及数据较为稀疏的 目标域 ，想要提高目标域上的 冷启动 推荐性能，而冷启动用户大多在源推荐领域有交互记录。
代表论文：Cross-Domain Recommendation: An Embedding and Mapping Approach[3] [ijcai 2017]
首先在每个领域对user-item的rating矩阵进行矩阵分解，得到每个域内user/item的embedding；之后利用 重叠实体 （以用户为例）训练一个由源领域到目标领域的 映射函数 ，试图使源域映射后的用户embedding接近目标域的用户embedding。这个映射函数可以是线性的( 图中step2 Linear mapping)，也可以是非线性的(图中step2 MLP mapping)。训练完成后利用得到的映射函数便可以 将冷启动用户映射到目标领域 ，进行推荐。
4. 多领域共同训练
利用多个领域的数据同时对多个领域上的模型进行训练，通过模型间的信息交互使得每个领域的模型的推荐性能得到提高，类似 多任务学习 。
代表论文：CoNet: Collaborative Cross Networks for Cross-Domain Recommendation[4]
场景：用户在app商店下载app；同时在网上阅读新闻 -- 我们都用最简单的MLP来预估两个域上的CTR（注意这个任务是CTR预估，属于精排而非召回）。
那么，如何同时提高这两个域的推荐精度呢？最直接的transfer learning的思想就是把一个网络的前若干层直接拷贝到另一个网络做初始化，然后再在此基础上做微调。但是，这引入了一个很强的假设，即这两个域前几层的分布是一样的，然而事实并非如此。所以，我们可以用更为复杂的mapping来代替这种identical mapping。
模型结构如下：
如果不看中间的红色虚线的话，我们会发现这就是两个最简单的CTR预估模型，即把user、item的特征拼接起来，然后输入MLP中得到预测结果。此时由于利用了两个域中的共同user，所以user embedding是共享的，两个任务的梯度都可以反传来更新user embedding，此时问题退化为shared-bottom多任务学习，共享的底层参数就是user embedding。
那么，能不能利用两个任务也来指导中间hidden layer的学习呢？本模型使用类似 Cross-stitch 网络，第L 1层隐藏层同时由本任务的第L层隐藏层和对方任务的第L层隐藏层决定：
这样，两个域的预测loss都可以反传来更新两个模型的 隐藏层 参数，起到了正则化和增加训练集的目的。
（注：这个模型和多任务CTR预估中的SNR比较类似，都是对不同子网络的输出进行组合又输入到了下一层子网络，形成子网络的组合。）
本文参考资料
[1]Graphical and Attentional Framework for Dual-Target Cross-Domain Recommendation: https://www.ijcai.org/proceedings/2020/0415.pdf
[2]HeroGRAPH: A Heterogeneous Graph Framework for Multi-Target Cross-Domain Recommendation [recsys 2020]: https://ceur-ws.org/Vol-2715/paper6.pdf
[3]Cross-Domain Recommendation: An Embedding and Mapping Approach: https://www.ijcai.org/proceedings/2017/0343.pdf
[4]CoNet: Collaborative Cross Networks for Cross-Domain Recommendation: https://www.ijcai.org/proceedings/2017/0343.pdf
