基于邻域特征映射的冷启动用户跨域推荐

协同过滤（CF）是推荐系统中被广泛采用的技术。传统 CF 模型主要关注预测用户在单一领域（如电影领域或音乐领域）中对物品的偏好。此类模型面临的一个主要挑战是数据稀疏性问题，尤其是 CF 无法为完全没有评分的冷启动用户做出准确预测。尽管跨域协同过滤（CDCF）被提出用于有效地在不同领域间迁移用户的评分偏好，但由于极端的数据稀疏性，现有 CDCF 模型仍难以处理目标领域中的冷启动用户。本文针对目标领域中的冷启动用户，提出一种跨域隐特征映射（CDLFM）模型。首先，为了更好地刻画稀疏领域中的用户，我们考虑用户在评分行为上的相似关系，提出融合用户相似度的矩阵分解（MFUS），其中给出了三种相似度度量。接下来，为进行跨域知识迁移，我们提出一种基于邻域的梯度提升树方法，以学习跨域用户隐特征映射函数。对于每个冷启动用户，我们基于那些在辅助领域中与该冷启动用户具有相似评分行为的关联用户的隐特征对，来学习其特征映射函数。而该冷启动用户在目标领域中的偏好可基于该映射函数及其在辅助领域中的隐特征进行预测。在从 Amazon 交易数据中提取的两个真实数据集上的实验结果，证明了我们所提模型相对于其他最先进（SOTA）方法的优越性。