多源异质用户下基于迁移学习的跨领域推荐研究

With the cooperation between economic companies and the big data sharing between them, it has been a trend to recommend products and conduct precision marketing for the product domain using consumption data from its related product domains. However, there are rare users having interactions with multiple product domains simultaneously, which leads to the circumstance that the interaction data from different domains mostly are generated from different users, also means that the users from multiple sources are heterogeneous. How to achieve the cross-domain recommendation of products in target domain for users in other domains using the heterogeneous data is a realistic problem that economic companies are facing currently. This project will focus on the cross-domain recommendation strategy that can satisfy the need of users in other domains for products in target domain. Specifically, this project will explore the generating mechanism of user preference shared among different domains and its corresponding transferring way based on neural network and transfer learning theory, to satisfy the needs of users in other domains and promote additional consumption. In addition, we will also validate the performance of our cross-domain recommendation strategy based on real data. This project will not only bring the crossing research between transfer learning and cross-domain recommendation, but also provide theoretical and technical support for applications in cross-domain cooperation and precision marketing.

随着电商企业逐渐重视跨界、跨业合作以及电商大数据实现共建共享，利用相关产品领域的消费数据辅助另一产品领域进行跨领域推荐和精准营销已成趋势。然而，在实际情况中与多个产品领域同时都存在交互的用户较少，使得不同产品领域的交互数据多数分别来自不同的用户群体，即用户是多源异质的。如何利用异质用户数据实现对其他领域用户在目标领域产品上的跨领域推荐是现阶段电商企业面临的一个现实问题。本项目将针对多源异质用户情境，研究一种能满足异质用户跨界需求的跨领域推荐策略。具体地，本项目基于神经网络模型结合迁移学习理论，探索各领域灵活共享的偏好产生机制及其在领域间的迁移模式，力图满足异质用户的跨界需求，为各领域拓展新用户，创造新的消费增长点。同时，我们将利用现实数据验证本项目方案的跨领域推荐效果。该项目研究成果不仅可以推进迁移学习与跨领域推荐理论的交叉研究，还可为涉及跨界合作和精准营销的潜在应用提供理论和技术支撑。

当前电商已呈生态系统模式发展，平台内部以及各个企业间的不同产品之间形成互相支持服务的良性效应。多领域互通合作的精细化服务战略发展迅速，其背后如何利用来自多个相关产品领域的用户数据进行跨领域推荐和精准营销是各电商企业面临的挑战。该项目聚焦不同产品领域中的不重叠用户群体（即多源异质用户）的历史消费数据，探索各领域共享的用户偏好产生机制及其在领域间的迁移模式，分析异质用户的跨界需求，为各领域拓展新的用户群体，创造新的消费增长点。..该项目研究内容主要分为三个方面：1）对各领域灵活共享的用户偏好模式进行建模；2）建立领域间可迁移的知识及其在领域间的迁移模式；3）根据预测的异质用户的跨界偏好进行跨领域推荐。针对第一个研究内容，基于已有文献在单领域用户偏好建模的方法以及同质用户在不同领域间存在的类级潜在偏好模式研究，建立一个全新的针对异质用户的跨领域偏好模式体系。该模式假设用户偏好信息分为四个部分：领域间共享的偏好信息、各领域特有的偏好信息、各领域内部用户的个体偏好差异以及各领域内部产品的个体特性差异。同时，该项目还深入研究了领域间偏好模式的共享和交互模式。对应每个领域建立一个基于神经网络的偏好子模型，总体形成一个多塔模型，其中子模型间通过其各自的子模块进行共享连接，达到领域间共享模式的迁移作用。该项目利用神经网络和深度学习的方法进行建模和训练。训练数据包括Amazon Books，Movielens，YahooMusic，豆瓣等，涵盖图书、音乐和电影类领域。结果表明该多源异质用户跨领域推荐相比单领域推荐有更高的准确率，而且可以用来预测用户在其他产品领域的偏好及需求。 该项目所使用的建模方法涵盖两个方向：1）采用多维空间的张量分解以及二维空间的矩阵分解；2）多塔神经网络模型。该创新丰富了异质用户跨领域推荐的方法论，将先进的深度学习和人工智能理论与推荐系统领域结合，提供新问题的解决方案，也创造了更多的应用机会。