基于跨域元学习的用户冷启动推荐算法

Cold-start Recommendation Algorithm Based on Cross-domain Meta-learning

摘要

为解决现有基于映射的跨域推荐算法中，兴趣迁移过程忽略目标域情境信息、模型性能对重叠用户规模高度敏感两个问题，该文提出一种端到端优化的基于跨域元学习的兴趣迁移网络（Cross-domain Meta-learning Driven Interest Transfer Network，CMITN）。CMITN引入目标域感知的跨域注意力机制，依据候选物品特性重构源域兴趣表示；设计卷积元学习网络动态生成个性化映射函数，缓解数据稀疏依赖；构建双目标联合学习范式，同时优化推荐任务与表示对齐，实现全域兴趣空间的一致性映射。利用亚马逊与哈啰两类数据集构建了5个跨域推荐任务并进行广泛实验，实验结果表明，该文提出的算法在AUC（Area Under Curve）与Recall两个指标上均优于其他基线模型。在哈啰生活服务业务场景下，该算法对新用户带来了4.5%的点击率（Click Through Rate， CTR）提升与7.0%的人均商品交易总额（Gross Merchandise Volume， GMV）提升。

Abstract

To address two issues in existing mapping-based cross-domain recommendation algorithms—namely, the neglect of target domain contextual information during interest transfer and the model's high sensitivity to the scale of overlapping users—a novel end-to-end optimized Cross-domain Meta-learning Driven Interest Transfer Network (CMITN) is proposed. CMITN introduces a cross-domain attention mechanism that is sensitive to the target domain, which reconstructs the source domain's interest representaion based on candidate item characteristics. A convolutional meta-learning network is designed to dynamically generate personalized mapping functions, alleviating data sparsity dependence. A dual-objective joint optimization paradigm is constructed to optimize both the recommendation task and the representation alignment, ensuring a consistent mapping of the full interest space. Five cross-domain recommendation tasks were constructed using Amazon and Hello datasets, followed by extensive experiments. The experimental results show that the proposed algorithm outperforms other baseline models in both AUC (Area Under Curve) and Recall. In the business scenario of Hello Life Services, the algorithm led to a 4.5% increase in CTR (Click Through Rate) and a 7.0% improvement in GMV (Gross Merchandise Volume) per user for new users.

Graphical abstract

关键词

跨域推荐 / 注意力机制 / 哈啰租车 / 生活服务

Key words

cross-domain recommendation / attention mechanism / hello rent car / life services

0 引言

随着互联网服务的普及，大规模推荐系统已经成为连接用户与内容的核心工具。然而，用户冷启动问题始终是制约推荐性能的关键因素^［1］。冷启动用户，包括新用户与长尾用户，因历史交互数据稀疏，导致传统推荐方法难以有效捕捉其兴趣偏好，显著影响平台的用户体验与商业价值^［2］。过去的研究通过引入上下文信息（如用户属性、物品特征）提出了多种解决方案，包括基于上下文老虎机（Contextual Bandit）的动态探索策略^［3］、基于策略梯度（Policy Gradients）的端到端决策框架^［4］，以及基于元学习（Meta-learning）的跨任务迁移方法^［5-6］。但这些方法往往受到单一领域信息稀缺性的限制，从而制约了在用户冷启动场景下的推荐精度与泛化能力。

在此背景下，跨域推荐（Cross-domain Recommendation， CDR）成为解决用户冷启动问题的有效路径^［7］。其核心思想是通过用户在相关源域（如电影评分）的丰富行为数据，为目标域（如书籍推荐）的冷启动用户提供迁移知识支持。在诸多相关研究中，基于域间嵌入映射的方法通过学习映射函数，将冷启动用户映射到目标域特征空间（如Embedding and Mapping Framework for Cross-domain Recommendation， EMCDR^［8］），取得了不错的效果^［9-10］。然而，此类方法高度依赖域间重叠用户的数量，当重叠用户不足时，映射函数的泛化能力急剧下降^［11］。此外，当前方法（如Personalized Transfer of User Preferences for Cross-domain Recommendation， PTUPCDR^［12］）多将用户兴趣压缩为单一静态向量，忽略了行为序列的时序特征与目标域候选物品的动态相关性，导致兴趣迁移的粒度粗糙、灵活性不足。

基于此，本文提出一种端到端优化的基于跨域元学习的兴趣迁移网络（Cross-domain Meta-learning Driven Interest Transfer Network，CMITN）。具体而言，引入目标域候选物品驱动的注意力模块，自适应调整源域历史行为的权重，实现细粒度兴趣表征；同时，设计卷积元学习网络（Conv-Meta），通过卷积层捕捉用户行为序列的局部时序模式，结合元学习动态生成跨领域映射函数，减少对重叠用户数据的依赖；最后，融合任务导向损失（如点击率预测）与映射约束损失，通过协同训练提升模型全局优化能力，避免分阶段优化的误差累积。在公开数据集与工业数据集上的实验表明，该方法能够有效建模用户源域到目标域的兴趣迁移，缓解用户冷启动问题。

1 相关工作

1.1　冷启动推荐

冷启动问题分为用户冷启动与物品冷启动两类，其核心挑战在于如何利用有限信息实现精准推荐。传统方法可以分为策划优化型和辅助信息型两类，（1）策略优化型：基于动态探索-利用平衡的推荐策略，例如Contextual Bandit通过多臂老虎机框架选择最优推荐动作^［3］；Policy Gradients则通过强化学习优化推荐策略^［4］。此类方法虽能缓解冷启动问题，但依赖实时反馈数据，对新用户初始阶段效果有限。（2）辅助信息型：通过引入用户属性^［1］（如年龄、性别）、物品属性（如类别、文本描述）或跨领域数据补充稀疏交互信息^［13-14］。然而，单一领域内辅助信息获取成本高且覆盖有限，而跨领域迁移成为更优选择。

1.2　跨域推荐

跨域推荐旨在通过关联领域的知识迁移提升目标域性能^［15］。早期方法如协同矩阵分解（Collective Matrix Factorization， CMF）通过联合分解多领域评分矩阵实现知识共享，但未显式建模用户兴趣迁移^［16］；跨领域迁移（Coordinate System Transfer， CST）利用源域用户嵌入初始化目标域嵌入，并通过正则化约束二者相似性，但假设领域间用户分布高度一致，实际场景中易受领域差异影响^［17］。近年来，深度学习方法推动跨域推荐进一步发展。例如CoNet（Collaborative Cross Networks）设计双塔神经网络实现双向知识迁移，但其依赖领域间用户行为强相关性^［18］；EMCDR通过映射用户嵌入实现跨领域迁移，但其性能受限于重叠用户规模^［8］；半监督方法（Semi-supervised Learning for Cross-domain Recommendation， SSCDR）引入未重叠用户数据增强映射鲁棒性，但未解决动态兴趣表征问题^［11］；AFT （Adversarial Feature Translation）利用Transformer编码多领域行为序列，但计算复杂度高，难以适应实时推荐场景^［19］；文献［20］通过多级注意力获取用户长短期偏好，基于跨域元学习获取用户表示；EXIT （Explicit Interest Transfer Framework）提出显式建模兴趣迁移，防止负迁移^［21］。

1.3　元学习

元学习通过从多任务中提炼经验提升模型对新任务的适应能力，可分为三类^［22］：（1）优化型（如Model-agnostic Meta-learning， MAML^［23］）：学习模型初始化参数，通过少量梯度更新快速适应新任务，但需计算二阶导数，训练成本高；（2）度量型：通过相似性度量实现快速分类，但难以扩展至推荐场景^［24］；（3）黑盒型：通过神经网络直接生成模型参数，适合少样本场景^［25］。在推荐领域，MeLU （Meta-learned User Preference Estimator）通过元学习初始化用户偏好估计器，但其依赖显式用户属性^［26］；MAMO （Memory-augmented Meta-optimization）引入记忆增强机制优化冷启动推荐，但未考虑跨领域迁移的潜在关联^［6］。相较之下，本文提出的Conv-Meta属于黑盒型元学习，通过卷积网络生成动态映射函数，避免复杂优化过程，更适合重叠用户稀缺的跨领域场景。

2 基于跨域元学习的兴趣迁移网络

2.1　任务定义

在CDR任务中，设有一个源域和一个目标域。每个领域都有一个用户集U=\{u_{\mathrm{1}},u_{\mathrm{2}},\cdots \}、一个物品集V=\{v_{\mathrm{1}},v_{\mathrm{2}},\cdots \}，以及一个交互矩阵\mathit{R}，其中r_{i.j}\in \mathit{R}表示用户u_i与物品v_j之间的交互。本文使用r_{i.j}\in \{\mathrm{0,1}\}表示交互关系（如是否点击），1代表有交互，0代表没有交互。

为了区分这两个领域，设源域为D^{\mathrm{s}}=(U^{\mathrm{s}},V^{\mathrm{s}},{\mathit{R}}^{\mathrm{s}})，目标域为D^{\mathrm{t}}=(U^{\mathrm{t}},V^{\mathrm{t}},{\mathit{R}}^{\mathrm{t}})。其中U^{\mathrm{s}}和U^{\mathrm{t}}分别是源域和目标域的用户集，V^{\mathrm{s}}和V^{\mathrm{t}}分别是源域和目标域的物品集，且V^{\mathrm{s}}\bigcap V^{\mathrm{t}}=\mathrm{\varnothing }，即两个域的物品集互不相交。此外，定义两领域的重叠用户为U^{\mathrm{o}}=U^{\mathrm{s}}\bigcap U^{\mathrm{t}}，冷启动用户为目标域中交互稀疏的用户集合{U_{\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{d}}}^{\mathrm{t}}\subseteq U^{\mathrm{t}}。

本文将推荐任务转化为分类任务：利用源域用户行为序列S_{u_i}^{\mathrm{s}}=\{v_{\mathrm{1}}^{\mathrm{s}},v_{\mathrm{2}}^{\mathrm{s}},\cdots ,v_n^{\mathrm{s}}\}及其嵌入表示{\mathit{u}}_{\mathit{i}}^{\mathrm{s}}，为目标域冷启动用户u_i^{\mathrm{t}}\in {U_{\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{d}}}^{\mathrm{t}}预测每个候选物品v_j^{\mathrm{t}}\in V^{\mathrm{t}}的交互概率p_{i.j}\in [\mathrm{0,1}]。

2.2　用户冷启动推荐总体框架

本文提出一种端到端优化的基于跨域元学习的兴趣迁移网络（CMITN），用于用户冷启动推荐，图1展示其总体框架。CMITN包含三个主要部分：（1）跨域注意力模块：利用target-attention机制^［27］，捕捉源域历史交互序列与目标域候选物品的相关性；（2）卷积元学习网络：通过元学习生成动态映射函数，将源域用户嵌入{\mathit{u}}_{\mathit{i}}^{\mathrm{s}}映射至目标域{\mathit{u}}_{\mathit{i}}^m；（3）双目标联合学习：在训练阶段融合任务导向损失与映射约束损失，在推理阶段通过映射后的目标域用户嵌入与物品嵌入的内积计算交互得分。其中，输入可分为四部分：目标域物品v_j^{\mathrm{t}}、目标域用户u_i^{\mathrm{t}}、源域用户嵌入{\mathit{u}}_{\mathit{i}}^{\mathrm{s}}、源域历史交互序列S_{u_i}^{\mathrm{s}}。其中，源域与目标域嵌入分别预训练得到，在该框架中参数冻结。

2.3　跨域注意力模块

冷启动用户在目标域几乎没有交互，但可能在源域拥有丰富的交互行为，这些行为可以为目标域提供有价值的指导。为有效迁移兴趣，需从源域交互序列中提取用户偏好。传统方法直接使用交互序列的嵌入表示兴趣，但不同物品对迁移的贡献度各异，且近期交互往往更具参考价值。为此，本文设计跨域注意力模块，结合目标域候选物品动态调整权重：

，（1）

其中{\mathit{e}}_{{\mathit{u}}_{\mathit{i}}}为用户u_i的可迁移兴趣嵌入，S_{u_i}为其源域交互序列的嵌入集合，{\mathit{v}}^{\mathit{t}}为目标域候选物品嵌入，为向量内积，{\mathit{w}}_k为对应注意力权重，注意力权重通过两层前馈网络f(\cdot )计算并归一化：

{{\mathit{w}}_k}^{\mathrm{\text{'}}}=f({\mathit{v}}_k^{\mathrm{s}},{\mathit{v}}^{\mathrm{t}})，（2）

{\mathit{w}}_k=\frac{\mathrm{e}\mathrm{x}\mathrm{p}({{\mathit{w}}_k}^{\mathrm{\text{'}}})}{{\sum }_{{\mathit{v}}_k^{\mathrm{s}}\in S_{u_i}}\mathrm{e}\mathrm{x}\mathrm{p}({{\mathit{w}}_k}^{\mathrm{\text{'}}})}。（3）

2.4　卷积元学习网络

Conv-Meta基于黑箱元学习理论，通过卷积层与全连接层生成映射函数，解决重叠用户不足导致的映射偏差问题。采用CNN （Convolutional Neural Network）在图像局部特征提取中的优势，能够有效捕捉用户兴趣的局部模式。图2展示该网络详细结构。具体流程如下：

（1） 历史参数输入：前一批次训练的模型参数{\mathit{W}}^{\mathit{l}-\mathrm{1}}作为固定输入；

（2） 当前参数更新：当前批次训练的中间参数{\widehat{\mathit{W}}}^{\mathit{l}}；

（3） 参数融合输出：通过卷积层与前馈层融合历史与可迁移兴趣嵌入，生成最终映射函数参数：

{\mathit{W}}^{\mathit{l}}=h({\mathit{e}}_{{\mathit{u}}_{\mathit{i}}},{\mathit{W}}^{\mathit{l}-\mathrm{1}},{\widehat{\mathit{W}}}^{\mathit{l}})，（4）

其中h(\cdot )为Conv-Meta。最终，源域用户嵌入{\mathit{u}}_{\mathit{i}}^{\mathrm{s}}通过个性化映射网络（Domain Bridge）g(\cdot )映射至目标域：

{\mathit{u}}_{\mathit{i}}^m=g({\mathit{u}}_{\mathit{i}}^{\mathit{s}},{\mathit{W}}^{\mathit{l}})。（5）

2.5　双目标联合学习

在训练环节，为联合训练跨领域注意力模块与卷积元学习网络，本文设计任务导向与映射约束联合优化策略，损失函数包含两个部分。

对于任务导向损失，任务通常为点击或转化，采用二元交叉熵：

\begin{array}{c}{L}_{\mathrm{t}\mathrm{a}\mathrm{r}}=\frac{\mathrm{1}}{\left|{\mathit{R}}_{\mathit{o}}^{\mathrm{t}}\right|}\sum _{r_{i.j}\in {\mathit{R}}_{\mathit{o}}^t}(r_{i.j}\mathrm{l}\mathrm{o}\mathrm{g}J({\mathit{u}}_{\mathit{i}}^m,{\mathit{v}}_{\mathit{j}}^{\mathrm{t}})+\\ (\mathrm{1}-r_{i.j})\mathrm{l}\mathrm{o}\mathrm{g}(\mathrm{1}-\mathrm{l}\mathrm{o}\mathrm{g}J({\mathit{u}}_{\mathit{i}}^m,{\mathit{v}}_{\mathit{j}}^{\mathrm{t}})),\end{array}（6）

，（7）

其中{\mathit{R}}_{\mathit{o}}^{\mathrm{t}}为重叠用户在目标域的交互数据，\sigma为Sigmoid激活函数。

对于映射约束损失，采用均方误差MSE，约束迁移后用户嵌入{\mathit{u}}_{\mathit{i}}^m接近目标真实嵌入{\mathit{u}}_{\mathit{i}}^{\mathrm{t}}：

L_{\mathrm{d}\mathrm{i}\mathrm{s}}={\sum _{u_i\in U^o}‖{\mathit{u}}_{\mathit{i}}^{\mathrm{t}}-{\mathit{u}}_{\mathit{i}}^m‖}^{\mathrm{2}}。（8）

总损失函数为两部分加权求和，目标为最小化L：

L=L_{\mathrm{t}\mathrm{a}\mathrm{r}}+\alpha L_{\mathrm{d}\mathrm{i}\mathrm{s}}，（9）

其中\alpha \in [\mathrm{0,1}]是一个可调节的参数。

在推理环节，利用映射后用户嵌入{\mathit{u}}^m与物品嵌入{\mathit{v}}^{\mathrm{t}}，得到预测得分p=J({\mathit{u}}^m,{\mathit{v}}^{\mathrm{t}})。该策略具备3个优势：端到端的结构可减少人工干预；任务导向梯度直接优化冷启动用户的推荐效果；映射约束缓解嵌入负迁移问题的同时，达到l_{\mathrm{2}}正则化效果，防止过拟合。CMITN训练流程如表1所示。

3 实验结果与分析

3.1　数据集

为验证CMITN算法的有效性，本文在公开数据集与工业数据集上进行实验。所有数据集按时间顺序划分，前90%数据作为训练集，剩余10%作为测试集。

（1）公开数据集：Amzon数据集被广泛用于电子商务推荐领域^［28］。该数据集有多个版本，本文选取 Amazon-5核心数据集，其中每个用户或物品至少有5条评分记录。数据集中包含 24 个不同的商品领域，本文选取以下7个类别：工具（tools_and_home_improvement）、书籍（books）、音乐（cds_and_vinyl）、影视（movies_and_tv）、家具（home_and_kitchen）、游戏（video_games）、应用（apps_for_android）。在这些类别中，定义了4个跨域推荐任务，分别为：任务1：应用→游戏；任务2：家具→工具；任务3：影视→音乐；任务4：书籍→影视。

（2）工业数据集：哈啰是国内专业的本地出行及生活服务平台，累计注册用户超7.5亿。哈啰除了提供单车、助力车、顺风车等移动出行服务，还提供哈啰租车、哈啰租电动车、小哈换电等新兴本地服务。其中，哈啰租车相较于哈啰租电动车业务拥有更为丰富的用户行为数据。本文将哈啰租车作为源域，哈啰租电动车作为目标域，选取2024年7月份的数据，构建跨域推荐任务，即任务5：汽车→电动车。表2总结了5类任务的统计信息。

3.2　评估指标

采用AUC（ROC曲线下的面积，简写为A）与召回率（Recall，R）作为评估指标。AUC衡量模型对正负样本的排序能力，R反映模型对正样本的覆盖能力，计算公式为：

A=\frac{{\sum }_{\mathrm{正样}\mathrm{本}i}{\sum }_{\mathrm{负样}\mathrm{本}j}I(p_i>p_j)}{N_{\mathrm{正}}\times N_{\mathrm{负}}}，（10）

R=\frac{TP}{TP+FN}，（11）

其中p_i为正样本预测得分，p_j为负样本预测得分，I(\cdot )为指示函数，当条件满足时取1，否则为0，N_{\mathrm{正}}为测试集中正样本数量，N_{\mathrm{负}}为测试集中负样本数量；TP为模型正确预测为正的样本数量，FN为模型错误预测为负实际为正的样本数量。

3.3　对比模型

对比模型分为单域与跨域两组。在单域中，将源域与目标域视为单独的域，仅利用目标域数据进行推荐；在跨域中，利用源域信息辅助目标域进行推荐。由于CMITN属于映射类的跨域推荐算法，故跨域对比模型均选择此类方法。

单域推荐模型：

（1） MF （Matrix Factorization）^［29］：将评分矩阵分解为用户矩阵与物品矩阵。

（2） BPR （Bayesian Personalized Ranking）^［30］：处理隐式反馈下的排序问题，通过三元组建模偏好顺序。

（3） CML （Collaborative Metric Learning）^［31］：将协同过滤与度量学习相结合，将正样本拉进，负样本推远。

跨域推荐模型：

（1） EMCDR：通过隐藏向量建模，获取用户在源/目标域的嵌入并进行迁移。

（2） SSCDR：基于半监督映射的CDR框架，利用非/共享用户训练映射函数。

（3） PTUPCDR：通过参数生成的元学习网络生成个性化映射函数。

3.4　实现细节

本文基于PyTorch实现CMITN与对比模型。为简化问题，将Amzon评分数据转为二值型（1/0表示是否交互）。在训练阶段，每个正样本随机采样4个负样本。所有模型嵌入层维度设置为64，batch大小为256。在CMITN结构方面，Domain Bridge设置为64维的MLP（Multilayer Perceptron）；Conv-Meta包括两层一维Conv与两层MLP，每层后接GELU激活函数。优化器使用Adam，Domain Bridge初始学习率设置为0.01，Conv-Meta为0.001。

3.5　对比实验

表3展示了CMITN在5个跨域推荐任务上的性能。对于每个任务，进行5次随机试验并取平均值（含t检验）。

由表3可知，本文提出的CMITN在两个数据集上的5类任务均优于对比方法，AUC提升幅度在1.04%~2.14%之间，R提升幅度在2.19%~7.10%之间，在任务1与任务5上提升尤为明显。对于任务1，两域重叠用户数量最少，CMITN借助卷积元学习，捕捉局部行为模式（如近期兴趣），元学习动态调整映射函数参数，减少对重叠用户数据的依赖，这使得映射后的用户嵌入在目标域中更鲁棒，缓解了数据稀疏性。对于任务5，两域重叠用户数量最多，用户数量显著多于物品数量，CMITN借助跨域注意力，筛选出与目标域高度相关的源域行为，提升兴趣表征的细粒度。联合优化确保用户嵌入在目标域中既与真实嵌入对齐，又直接优化推荐任务，使模型在全局最优解附近收敛。对于AUC提升，跨域注意力与动态映射减少了噪声干扰，联合优化增强了模型对正负样本的全局区分能力；对于R提升，细粒度兴趣表征和鲁棒的嵌入映射使模型能够覆盖更多潜在正样本。此外，跨域模型普遍优于单域模型，表明在用户冷启动场景下单一领域数据难以充分学习用户复杂兴趣，跨域信息迁移的确能缓解数据稀疏问题。

3.6　消融实验

消融实验进一步探究跨域注意力模块与卷积元学习网络对整体算法的性能影响。评估模型分为以下3组：

（1） All：文中提出的完框框架模型。

（2） -Cross-domain Attention（缩写-CA）：将跨域注意力模块替换为PTUPCDR模型中的自注意力模块。

（3） -Conv-Meta（缩写-CM）：将卷积元学习模块替换为PTUPCDR模型中参数生成型元学习。

图3展示了3组评估模型在5个跨域任务上的AUC指标。可以发现，相比于自注意力机制，跨域注意力更能捕捉用户兴趣，实现目标域感知的细粒度迁移；相比于一般的参数生成型元学习，卷积元学习通过卷积层融合历史参数与当前批次参数，更能捕捉用户兴趣的局部模式，增强迁移的泛化能力。此外，跨域注意力模块在提升模型性能方面的作用优于卷积元学习网络。

3.7　参数试验

本文设置两组参数试验。第一组参数试验进一步探究损失函数中，\alpha对实验结果的影响。第二组参数试验探究不同比例的重叠用户对模型性能的影响。

图4展示了不同取值的\alpha在任务5上的AUC指标（以0.05为步长，从0取至1，最终只展示0~0.3之间的结果）。

由图4可知，\alpha用于平衡推荐精度与表示一致性，可以缓解嵌入质量波动的影响。当\alpha取值较小时，任务导向损失权重更高，可以缓解不准确的用户嵌入问题，但可能忽略跨域表示的空间一致性；当\alpha较大时，映射约束损失权重更高，虽然存在用户嵌入的显示对齐，但会损失推荐的精度。实验表明，在任务5中，当\alpha =\mathrm{0.15}时，模型性能最佳。

图5展示了不同比例的重叠用户在任务5上的AUC指标，重叠比例分别设置为20%、40%、60%、80%与100%。可以发现，模型性能随重叠用户比例增加，呈现单调递增的趋势。

3.8　线上效果

本文将CMITN部署在哈啰平台的租电动车业务域，图6展示线上部署情况。在离线层，哈啰租车平台使用30天历史用户行为日志（T-30至T-1，T代表当天）来构建训练数据集，训练精排模型，并生成用户和行为序列嵌入，这些嵌入会被离线存储。接着，租电动车平台将使用预训练嵌入，结合平台30天历史行为数据训练CMITN模型。在在线层，模型参数与特征组同步更新至线上。当新用户访问平台时，系统加载T-1天的嵌入作为输入特征，同时近线层捕获用户实时行为生成实时特征。最终，CMITN模型输出精排结果，再经重排后得到平台推荐列表。

本文以10%的线上流量进行为期2周的A/B实验。实验结果表明，CMITN对新用户带来了4.5%的点击率（Click Through Rate，CTR）提升与7.0%的人均商品交易总额（Gross Merchandise Volume，GMV）提升，显著优于原有单域模型。同时，平均响应时间（Response Time，RT）小于100 ms，满足实时推荐需求。

4 结论

本文提出了一种名为CMITN的跨域推荐算法，旨在缓解大规模推荐系统中的用户冷启动问题。本文的核心是研究如何高效且泛化地将用户在源域形成的偏好迁移到目标域，以实现更为精准的推荐。CMITN包含3个组件：（1）跨域注意力模块，能够从源域的交互行为中动态提取兴趣嵌入；（2）卷积元学习网络，借助少量重叠用户提升用户偏好的跨域迁移能力；（3）双目标联合学习，使模型具备端到端的持续优化能力，方便线上环境部署。基于两个真实世界数据集的各种实验验证了CMITN在跨域推荐场景下的显著优势。未来，希望能够设计更为普适、工业界更为友好的网络架构，进一步拓展跨域推荐的应用场景。

参考文献

[1] LI J J, JING M M, LU K, et al. From Zero-shot Learning to Cold-start Recommendation[J]. Proc AAAI Conf Artif Intell, 2019, 33(1): 4189-4196. DOI: 10.1609/aaai.v33i01.33014189 .

[2] 毛骞, 谢维成, 乔逸天, 等. 推荐系统冷启动问题解决方法研究综述[J]. 计算机科学与探索, 2024, 18(5): 1197-1210. DOI: 10.3778/j.issn.1673-9418.2308044 .

[3] MAO Q, XIE W C, QIAO Y T, et al. Survey on Solving Cold Start Problem in Recommendation Systems[J]. J Front Comput Sci Technol, 2024, 18(5): 1197-1210. DOI: 10.3778/j.issn.1673-9418.2308044 .

[4] LI L H, CHU W, LANGFORD J, et al. A Contextual-bandit Approach to Personalized News Article Recommendation[C]//Proceedings of the 19th International Conference on World Wide Web. Raleigh: ACM, 2010: 661-670. DOI: 10.1145/1772690.1772758 .

[5] PAN F Y, CAI Q P, TANG P Z, et al. Policy Gradients for Contextual Recommendations[C]//The World Wide Web Conference. New York: ACM, 2019: 1421-1431. DOI: 10.1145/3308558.3313616 .

[6] YAO H X, LIU Y D, WEI Y, et al. Learning from Multiple Cities: A Meta-learning Approach for Spatial-temporal Prediction[C]//The World Wide Web Conference. New York: ACM, 2019: 2181-2191. DOI: 10.1145/3308558.3313577 .

[7] DONG M Q, YUAN F, YAO L N, et al. MAMO: Memory-augmented Meta-optimization for Cold-start Recommendation[C]//Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York: ACM, 2020: 688-697. DOI: 10.1145/3394486.3403113 .

[8] ZANG T Z, ZHU Y M, LIU H B, et al. A Survey on Cross-domain Recommendation: Taxonomies, Methods, and Future Directions[J]. ACM Trans Inf Syst, 2023, 41(2): 1-39. DOI: 10.1145/3548455 .

[9] MAN T, SHEN H W, JIN X L, et al. Cross-domain Recommendation: An Embedding and Mapping Approach[C]//International Joint Conference on Artificial Intelligence. Melbourne: IJCAI, 2017, 17: 2464-2470. DOI: 10.24963/ijcai.2017/343 .

[10] WANG J, YUAN F J, CHENG M Y, et al. TransRec: Learning Transferable Recommendation from Mixture-of-modality Feedback[M]//Web and Big Data. Singapore: Springer Nature Singapore, 2024: 193-208. DOI: 10.1007/978-981-97-7235-3_13 .

[11] 许嘉, 王歆, 王艳秋, 等. 基于域内和域间元路径聚合的跨域推荐方法[J]. 计算机应用研究, 2025, 42(8): 2374-2382. DOI: 10.19734/j.issn.1001-3695.2025.01.0022 .

[12] XU J, WANG X, WANG Y Q, et al. Cross-domain Recommendation Method Based on Aggregation of Intra-domain and Inter-domain Meta-paths[J]. Appl Res Comput, 2025, 42(8): 2374-2382. DOI: 10.19734/j.issn.1001-3695.2025.01.0022 .

[13] KANG S, HWANG J, LEE D H, et al. Semi-supervised Learning for Cross-domain Recommendation to Cold-start Users[C]//Proceedings of the 28th ACM International Conference on Information and Knowledge Management. Beijing: ACM, 2019: 1563-1572. DOI: 10.1145/3357384.3357914 .

[14] ZHU Y C, TANG Z W, LIU Y D, et al. Personalized Transfer of User Preferences for Cross-domain Recommendation[C]//Proceedings of the Fifteenth ACM International Conference on Web Search and Data Mining. New York: ACM, 2022: 1507-1515. DOI: 10.1145/3488560.3498392 .

[15] XIE R B, QIU Z J, RAO J, et al. Internal and Contextual Attention Network for Cold-start Multi-channel Matching in Recommendation[C]//Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence. International Joint Conferences on Artificial Intelligence Organization. Yokohama: IJCAI, 2020: 2732-2738. DOI: 10.24963/ijcai.2020/379 .

[16] 许侃, 吴鑫卓, 林原, 等. 基于对抗型排序学习的混合推荐算法[J]. 山西大学学报(自然科学版), 2024, 47(3): 481-493. DOI: 10.13451/j.sxu.ns.2024005 .

[17] XU K, WU X Z, LIN Y, et al. Hybrid Recommendation Algorithm Based on Adversarial Learning-to-rank[J]. J Shanxi Univ Nat Sci Ed, 2024, 47(3): 481-493. DOI: 10.13451/j.sxu.ns.2024005 .

[18] 王永贵, 刘丹妮. 融合多个性化桥和自监督学习的跨域推荐算法[J]. 计算机科学与探索, 2024, 18(7): 1792-1805. DOI: 10.3778/j.issn.1673-9418.2305022 .

[19] WANG Y G, LIU D N. Cross-domain Recommendation Algorithm Combining Multi-personalized Bridges and Self-supervised Learning[J]. J Front Comput Sci Technol, 2024, 18(7): 1792-1805. DOI: 10.3778/j.issn.1673-9418.2305022 .

[20] SINGH A P, GORDON G J. Relational Learning via Collective Matrix Factorization[C]//Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Las Vegas: ACM, 2008: 650-658. DOI: 10.1145/1401890.1401969 .

[21] PAN W K, XIANG E, LIU N, et al. Transfer Learning in Collaborative Filtering for Sparsity Reduction[J]. Proc AAAI Conf Artif Intell, 2010, 24(1): 230-235. DOI: 10.1609/aaai.v24i1.7578 .

[22] ZHU Y C, XIE R B, ZHUANG F Z, et al. Learning to Warm up Cold Item Embeddings for Cold-start Recommendation with Meta Scaling and Shifting Networks[C]//Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM, 2021: 1167-1176. DOI: 10.1145/3404835.3462843 .

[23] HAO X B, LIU Y D, XIE R B, et al. Adversarial Feature Translation for Multi-domain Recommendation[C]//Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. New York: ACM, 2021: 2964-2973. DOI: 10.1145/3447548.3467176 .

[24] 刘玉芳, 王绍卿, 郑顺, 等. 基于跨域元学习框架的冷启动用户表示学习方法[J]. 山东大学学报(工学版), 2024, 54(6): 29-37. DOI: 10.6040/j.issn.1672-3961.0.2023.100 .

[25] LIU Y F, WANG S Q, ZHENG S, et al. Cold-start User Representation Learning Method Based on Cross-domain Meta-learning Framework[J]. J Shandong Univ Eng Sci, 2024, 54(6): 29-37. DOI: 10.6040/j.issn.1672-3961.0.2023.100 .

[26] HUANG L, LI W T, ZHANG C R, et al. EXIT: an EXplicit Interest Transfer Framework for Cross-domain Recommendation[C]//Proceedings of the 33rd ACM International Conference on Information and Knowledge Management. New York: ACM, 2024: 4563-4570. DOI: 10.1145/3627673.3680055 .

[27] 吴国栋, 刘旭旭, 毕海娇, 等. 基于元学习个性化推荐研究综述[J]. 计算机工程与科学, 2024, 46(2): 338-352. DOI: 10.3969/j.issn.1007-130X.2024.02.016 .

[28] WU G D, LIU X X, BI H J, et al. Review of Personalized Recommendation Research Based on Meta-learning[J]. Comput Eng Sci, 2024, 46(2): 338-352. DOI: 10.3969/j.issn.1007-130X.2024.02.016 .

[29] HOSPEDALES T, ANTONIOU A, MICAELLI P, et al. Meta-learning in Neural Networks: a Survey[J]. IEEE Trans Pattern Anal Mach Intell, 2022, 44(9): 5149-5169. DOI: 10.1109/tpami.2021.3079209 .

[30] RAVI S, LAROCHELLE H. Optimization as a Model for Few-shot Learning[C]//International Conference on Learning Representations. Singapore: OpenReview, 2017.

[31] KOCH G, ZEMEL R, Salakhutdinov R. Siamese Neural Networks for One-shot Image Recognition[C]//ICML Deep Learning Workshop. Lille: JMLR, 2017, 2(1): 1-30.

[32] LEE H, IM J, JANG S, et al. MeLU: Meta-learned User Preference Estimator for Cold-start Recommendation[C]//Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York: ACM, 2019: 1073-1082. DOI: 10.1145/3292500.3330859 .

[33] ZHOU G R, ZHU X Q, SONG C R, et al. Deep Interest Network for Click-through Rate Prediction[C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York: ACM, 2018: 1059-1068. DOI: 10.1145/3219819.3219823 .

[34] NI J M, LI J C, MCAULEY J. Justifying Recommendations Using Distantly-Labeled Reviews and Fine-grained Aspects[C]//Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). Stroudsburg: ACL, 2019: 188-197. DOI: 10.18653/v1/d19-1018 .

[35] KOREN Y, BELL R, VOLINSKY C. Matrix Factorization Techniques for Recommender Systems[J]. Computer, 2009, 42(8): 30-37. DOI: 10.1109/MC.2009.263 .

[36] RENDLE S, FREUDENTHALER C, GANTNER Z, et al. BPR: Bayesian Personalized Ranking from Implicit Feedback[EB/OL]. (2012-05-09)[2025-06-01].

[37] HSIEH C K, YANG L Q, CUI Y, et al. Collaborative Metric Learning[C]//Proceedings of the 26th International Conference on World Wide Web. Perth: International World Wide Web Conferences Steering Committee, 2017: 193-201. DOI: 10.1145/3038912.3052639 .

基金资助

国家自然科学基金(61976036)

中国工程院重大咨询研究项目子课题(2023-JB-10-04)