我对跨领域推荐的研究思路整理

如今，大部分推荐系统都只在单个领域进行推荐。

单领域推荐存在的问题？
 ①单领域内数据往往都很稀疏，造成推荐质量不高。
 ②推荐的结果集中在某一领域，推荐结果单调。

跨领域推荐的两种任务

跨领域推荐的研究现状

• 跨领域推荐在推荐系统领域中是一个新兴的研究内容，它在2008年由Winoto and Tang提出来，他们通过统计验证了用户喜好在不同领域的相关性的存在。
• Singh and Gordon 提出利用矩阵分解来得到相关领域间通用的潜在特征，并且通过这些特征经过扩充后进行目标数据域稀疏处的填充。
• Li, Yang, and Xue 提出通过一个聚类的user/item评分矩阵来充当辅助数据域和目标数据域的桥梁，整个迁移过程分为两个步骤：

            ①通过聚类算法（ONMTF）进行聚类矩阵（codebook）的构建。
 
 

            ②聚类矩阵（codebook）的迁移。

• Weike Pan,Evan W.Xiang提出了一个基于矩阵分解的框架技术，他们称为坐标系统迁移(CST)，他们设计了CST算法，这个算法考虑了不同数据域中数据的多样性，大体思想还是基于矩阵分解。

目前，跨领域推荐主要用来解决目标矩阵的稀疏问题，主流的研究方法主要分为两个步骤：
 ①从辅助数据域中抽取和目标数据域共享的知识。
 ②将抽取的知识迁移到目标数据域中。

但是绝大多数研究没有考虑哪些领域之间可以进行知识的迁移，他们的研究中都是假设某两个数据域存在联系。完全不相关的领域进行知识的迁移会造成相反的效果。

我的研究主要是通过迁移学习改善数据稀疏问题后，来完成推荐。因此存在两个关键问题：

   ①怎样解决数据稀疏问题（重点研究问题）？

   ②怎样完成推荐工作？

关键问题一之数据稀疏问题描述

数据稀疏问题的解决思路：

运用迁移学习(transfer learning)来解决数据稀疏问题。

知识迁移的三个关键点

what to transfer ?

“What to transfer”是指哪些知识可以在不同域之间进行迁移。有些知识是某个域特有的，而有些知识在不同域之间是可以共享的，因此这些知识可以用于帮助提升目标域的性能。

how to transfer ?

“How to transfer”是指当发现了哪些知识可以用于迁移之后，就需要设计一些迁移学习算法来进行知识的迁移。

when to transfer ?

“When to transfer”是指什么场景下我们能进行迁移学习，在什么场景下不能进行迁移学习。在有些情况下，当目标域与源域完全没有联系的时候，强制迁移可能不会成功，更糟的是可能会出现负迁移（Negative Transfer），负迁移反而会伤害原本的性能。

 .

我对跨领域推荐的研究思路整理

原文：http://www.cnblogs.com/sallybin/p/3555342.html