度量领域差异：面向多领域推荐的相似领域选择原则

多领域推荐通过有效利用不同领域间的迁移信息，实现了理想的推荐性能。尽管取得了巨大成功，但现有大多数 MDR 方法采用单一结构来迁移复杂的领域共享知识。然而，有益的迁移信息应随领域不同而有所差异。当领域间存在知识冲突或某一领域质量较差时，不加选择地利用所有领域的信息将导致严重的负迁移问题。因此，如何有效建模领域间复杂的迁移关系以避免 NTP 仍是一个值得探索的方向。为解决这些问题，本文提出了一种简单且动态的多领域推荐相似领域选择原则。SDSP 首次探索为每个领域选择合适的领域知识以缓解 NTP。具体而言，我们提出了一种基于原型的领域距离度量，以有效建模领域间的复杂关系。此后，所提出的 SDSP 可以基于领域度量的监督信号和从学习到的领域原型中获得的非监督距离度量，为每个领域动态寻找相似领域。我们强调，SDSP 是一种轻量级方法，可与现有 MDR 方法结合以获得更好的性能，同时不会引入过多的时间开销。据我们所知，这是 MDR 领域中首个能够显式度量领域级差异并动态选择合适领域的解决方案。在三个数据集上的大量实验证明了我们所提方法的有效性。