MAMDR：一种面向多域推荐的模型无关学习方法

现实世界中的大规模电商平台上通常包含各种推荐场景（域）以满足不同客户群体的需求。多域推荐（Multi-Domain Recommendation, MDR）旨在联合提升所有域上的推荐效果，并可轻松扩展至数千个域，已引起从业者和研究者越来越多的关注。现有 MDR 方法通常采用共享结构与若干特定组件，分别利用可复用特征与域特定信息。然而，数据分布跨域而异，使得难以开发一个可应用于所有情形的通用模型。此外，在训练过程中，共享参数常受域冲突困扰，而特定参数则倾向于在数据稀疏域上过拟合。我们首先呈现一个部署于淘宝、可扩展的 MDR 平台，能够在无需专家参与的情况下为数千个域提供服务。为解决 MDR 方法的问题，我们提出一种新颖的模型无关学习框架，即 MAMDR，用于多域推荐。具体而言，我们首先提出域协商（Domain Negotiation, DN）策略以缓解域间冲突。接着，我们开发域正则化（Domain Regularization, DR），通过从其他域学习来提升特定参数的泛化能力。我们将这些组件集成到一个统一框架中并提出 MAMDR，其可应用于任意模型结构以执行多域推荐。最后，我们在淘宝应用中给出 MAMDR 的大规模实现，并构建了多种公开 MDR 基准数据集以供后续研究使用。在基准数据集与工业数据集上的大量实验证明了 MAMDR 的有效性与泛化能力。