ECAT：面向跨域推荐的整个空间持续自适应迁移学习框架
信息检索
2024-07-04 v1 人工智能
机器学习
摘要
在工业推荐系统中，有几款mini-app旨在满足用户多样化的兴趣和需求。它们的样本空间仅为整个空间的子集，这使得训练高效模型具有挑战性。近年来，针对数据稀疏问题，已有许多优秀研究致力于跨域推荐。然而，很少有研究同时考虑样本和表示持续迁移设置对目标任务的适应性。为克服上述问题，我们提出了称为ECAT的整个空间持续自适应迁移学习框架，其中包括两个核心组件：首先，针对样本迁移，我们提出了两阶段方法，实现粗到细的过程。具体而言，我们通过图引导方法进行初始选择，然后通过域适应方法进行细粒度选择。其次，我们提出了一种自适应知识蒸馏方法，用于持续地将来自在整个空间数据集上训练良好模型的表示进行迁移。ECAT使我们能够在目标任务的监督下充分利用整个空间的样本和表示，同时避免负迁移。在来自淘宝的真实工业数据集上进行的全面实验表明，ECAT在离线指标方面超越了当前最先进的性能，并为淘宝著名的mini-app“百翼铁”带来了+13.6%的CVR和+8.6%的订单。
引用
@article{arxiv.2407.02542,
title = {ECAT: A Entire space Continual and Adaptive Transfer Learning Framework for Cross-Domain Recommendation},
author = {Chaoqun Hou and Yuanhang Zhou and Yi Cao and Tong Liu},
journal= {arXiv preprint arXiv:2407.02542},
year = {2024}
}