带有辅助数据的协同推荐：一种迁移学习视角

智能推荐技术已在电子商务产品推广和互联网广告展示等各种行业应用中发挥着日益重要的作用。除了典型推荐算法通常利用的用户对物品的反馈（例如数值评分）外，往往还存在一些额外数据，如用户的社交圈和其他行为。此类辅助数据通常与数值评分背后用户对物品的偏好相关。带有辅助数据的协同推荐（CRAD）旨在利用这些额外信息以提升个性化服务，这已受到研究人员和从业者的广泛关注。迁移学习（TL）被提出用于从某些辅助数据中提取并迁移知识，以协助目标数据上的学习任务。在本文中，我们从迁移学习的角度考虑 CRAD 问题，特别是如何实现从辅助数据的知识迁移。首先，我们给出了 CRAD 迁移学习（TL-CRAD）的形式化定义。其次，我们在现有的 TL 技术分类（即自适应、集体和集成知识转移算法风格）基础上，扩展了三种知识迁移策略（即预测规则、正则化和约束）。第三，我们提出了一种用于 TL-CRAD 的新型通用知识迁移框架。第四，我们详细描述了每种算法风格下特定知识迁移策略的代表性工作，期望能启发进一步的研究。最后，我们通过一些总结性讨论和几个未来方向 conclude 本文。