发表在2020年的SIGIR上

《Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation》论文阅读笔记

已有方法（跨域共聚类）：利用不同域*享的用户和项目提高推荐的质量。
存在问题：仅依赖共享的评分数据，无法扩展到多个稀疏目标域（即一对多迁移）。
本文：在密集和稀疏域共享相同的部分，改进在稀疏域中学习到的用户和项目特征。利用跨域上下文不变性来开发这些共享模块，并验证了在用户项目交互的上下文中，即使交互数据是稀疏的，也可以学习到特征表示。

跨域迁移学习解决推荐中的稀疏性问题。然而，如何定义推荐域（重合的用户项目有限，如数据质量和数据量存在差异的地理区域（例如，城市与稀疏城镇中的餐馆推荐））是决定算法的关键。上下文感知推荐（来自在线用户的多模态反馈）已经成为有效选择。比如，给高消费的用户推荐酒吧是在周末而不是工作日。

详细：元迁移学习（组合了元学习和迁移学习）。通过上下文谓词定义可迁移神经层，即元层，与特定域的特征协同。此外，设计一种新的适应方法，通过正则化残差学习合并新的目标域（以最小开销）。在传输元层时，每个域只学习残差层和用户/项嵌入，避免稀疏域过拟合。
（1）上下文不变性 [设计了上下文谓词来学习稀疏域中的描述性特征，而不需要共享用户或项目]
（2）处理一个密集，多个稀疏域的场景 [通过密集域中用户项目交互推出不变的上下文，使用残差适应策略将原域的信息迁移到目标域中]；
（3） 可重用的模块化体系结构 [重用元层，只使用新数据更新用户和项目空间。也允许嵌入新的用户和项目，无需从头开始重新训练模型]

M1: 上下文模块，在密集的原域中提取上下文不变性；
M2: 嵌入模块，域特定的用户项目嵌入空间；
M3：上下文条件聚类模块，分别使用M1提取的上下文不变量重新定位用户和项嵌入；
M4：映射/排名模块，利用上一个模块生成交互可能性。
1，3，4模块是上下文驱动的模块，从密集域迁移到稀疏域中；2是域特定的模块。
原域：使用ADAM优化器，dropout正则化训练模型。
目标域：1，3，4模块都使用的是直接迁移过来的，2是目标域中特定的。