对抗性对齐与解耦：基于包容性特征的跨域点击率预测
信息检索
2026-01-27 v1
摘要
跨域推荐（CDR）日益受到关注，以解决数据稀疏和冷启动问题。然而，近期方法通常将源域和目标域之间共享的域不变特征以及每个域的域特定特征进行解耦，但它们往往仅依赖于域不变特征与目标域特定特征的组合，导致性能 suboptimal。为克服这一限制，本文提出了对抗性对齐与解耦跨域推荐模型（），以捕获包括域不变特征和有价值非对齐特征在内的全面跨域信息。 通过三个关键组件实现跨域推荐：采用对抗训练细化 MMD 以获得更好的泛化性，采用特征解耦器和重构机制实现域内解耦，引入新颖的融合表示，将域不变特征、非对齐特征与原始上下文数据相结合。在真实数据集上的实验以及在线 A/B 测试结果表明， 优于现有方法，确认其有效性和实际应用价值。代码已提供于 https://github.com/youzi0925/A-2DCDR/tree/main。
引用
@article{arxiv.2601.17472,
title = {Adversarial Alignment and Disentanglement for Cross-Domain CTR Prediction with Domain-Encompassing Features},
author = {Junyou He and Lixi Deng and Huichao Guo and Ye Tang and Yong Li and Sulong Xu},
journal= {arXiv preprint arXiv:2601.17472},
year = {2026}
}
备注
Accepted to ICDM 2025