面向知识迁移的跨领域推荐算法研究进展

摘要：

由数据分布不均衡产生的数据稀疏和冷启动问题制约着个性化推荐系统进一步发展.随着迁移学习技术兴起,基于迁移学习的跨领域推荐为解决该类问题提供了可能.面向知识迁移的跨领域推荐算法通过迁移与目标领域不同但相关的辅助知识来解决目标领域中的推荐任务,提高目标域的推荐性能.而深度学习在非线性特征的学习和表示上的独特优势进一步提升了深度跨域推荐的算法性能.对近年来面向知识迁移的跨领域推荐算法展开综述,将当前主流算法分为传统跨领域推荐算法和深度跨领域推荐算法两大类,又按照应用的不同知识迁移技术对两大类跨域推荐算法分别梳理和阐述,从模型的可解释性、适用场景、用户特征的描述能力、模型评价等不同角度对当前各类跨域推荐算法做出深度分析和比较,总结其存在的问题和不足,探讨可能的解决方法,展望未来的研究趋势.

关键词：数据稀疏、迁移学习、知识迁移、跨领域推荐

所属期刊栏目：14

分类号：TP391(计算技术、计算机技术)

资助基金：The National Social Science Foundation of China under Grant No.15FTQ002国家社会科学基金;the Open Foundation of Zhejiang Provincial and Ministerial Laboratories under Grant No.B2014浙江省部级实验室开放基金;the Science and Technology Innova-tion Activity Plan for College Students in Zhejiang ProvinceNew Seedling Talent Planunder Grant No.2020R405091浙江省大学生科技创新活动计划新苗人才计划

在线出版日期：2020-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：1813-1827