基于跨域图迁移学习的推荐研究综述.docVIP

基于跨域图迁移学习的推荐研究综述

1推荐系统领域的发展困境与跨域图迁移学习的兴起

推荐系统作为互联网信息分发的核心技术，在电商、短视频、本地生活等场景中已成为提升用户体验、驱动平台业务增长的关键支撑。传统协同过滤、深度学习推荐模型的性能高度依赖充足的用户交互数据，然而现实场景中普遍存在的数据稀疏、冷启动问题始终制约着推荐效果的进一步提升：新注册用户无历史行为记录、小众商品曝光量不足导致交互样本稀缺、新兴业务场景初始数据积累有限，这类问题仅依靠单域内的数据扩增和模型优化往往难以突破性能瓶颈。

跨域推荐技术的出现为解决上述问题提供了新思路，其核心思想是利用数据丰富的源域知识辅助目标域的推荐任务，通过迁移不同领域间的用户偏好、商品关联等共性信息，缓解目标域的数据稀疏问题。早期跨域推荐多基于矩阵分解、特征映射等方法，仅能捕捉用户-物品的二阶交互关系，无法有效建模现实场景中复杂的高阶关联结构。随着图神经网络在处理图结构数据上的优势逐渐显现，研究者开始将用户-物品交互数据建模为异构图结构，结合迁移学习框架实现跨域的图知识迁移，跨域图迁移学习推荐技术由此成为推荐领域的研究热点。

与传统跨域推荐方法相比，基于跨域图迁移学习的推荐方法具备三方面显著优势：一是能够充分挖掘交互数据中的高阶结构信息，通过图神经网络的消息传递机制捕捉用户与物品之间多跳的隐含关联，刻画更细粒度的用户偏好和物品属性；二是迁移