

【学术之星】祝贺我院硕士生王子瀚的研究成果在顶级国际期刊TKDE发表

David跨境日记

2025-01-19

2024年12月，合肥工业大学计算机与信息学院媒体计算实验室硕士研究生王子瀚（导师：吴乐教授）及其合作者的研究论文“Making Non-overlapping Matters: An Unsupervised Alignment enhanced Cross-Domain Cold-Start Recommendation”被国际知名期刊IEEE Transactions on Knowledge and Data Engineering (TKDE)以长文形式录用。

在日常生活中，我们经常使用推荐系统，比如购物网站推荐商品，电影平台推荐影片。然而，当新用户刚加入时，由于缺乏足够的信息，系统往往难以提供精准的推荐，这就是推荐系统中经典的“冷启动问题”。为了解决这一难题，“跨域推荐”技术应运而生。它可以看作一座桥，连接不同领域的数据，例如利用电影平台的辅助域数据，帮助书籍平台（目标域）更快地理解用户的喜好，从而提升推荐效果。然而，现有的跨域推荐方法在捕捉用户跨领域复杂喜好变化和设计高效迁移机制方面仍存在不足。论文提出了一种全新的跨域推荐模型，它通过“混合专家”机制精准建模用户的喜好迁移，同时采用“无监督优化”方法，对齐用户在不同领域的相似行为，有效增强了系统对跨域迁移问题的应对能力。实验结果验证了提出方法的有效性。

论文简介

论文标题：

Making Non-overlapping Matters: An Unsupervised Alignment enhanced Cross-Domain Cold-Start Recommendation

论文作者：

Zihan Wang, Yonghui Yang*, Le Wu*, Richang Hong, Meng Wang.

论文链接：

https://ieeexplore.ieee.org/document/10779184

图1 三种类型映射函数的说明。(a). 一对全部：所有用户共享相同的映射函数；(b). 一对一：每个用户有自己个性化的映射函数；(c). MACDR：本工作提出了一个基于原型增强的混合专家（PMOE）映射函数来同时结合用户共性和个性化偏好迁移模式，并设计一个基于无监督学习的偏好分布对齐（PDA）损失函数，来为映射函数提供更多的监督信号。

图2 MACDR框架说明。该框架包括基于原型增强的混合专家（PMOE）映射模块和偏好分布对齐（PDA）优化策略。PMOE模块提出一个更灵活的映射函数，它基于用户原型同时结合了用户共享和个性化偏好转移模式。PDA优化策略充分利用非重叠的用户，以无监督的方式为映射函数提供更多监督信号，提高冷启动用户的推荐性能。