跨域推荐综述文章阅读

2021年，IJCAI

《Cross-Domain Recommendation: Challenges, Progress, and Prospects》

跨域推荐的动机：实际应用场景中，少量的用户提供评分或者评论，传统的协同过滤方法会面临数据稀疏性问题，尤其对于新用户新产品（冷启动问题）。
跨域推荐（2007年提出）：使用相对丰富域上的信息提高稀疏域上推荐的准确性。

关于CDR的综述：
Cross-domain recommender systems: A survey of the state of the art.
Tutorial on cross-domain recommender systems.
Recommender Systems Handbook.

（1） 单目标CDR：
利用原域S数据丰富（显示反馈[评分和评论]+隐式反馈[购买，浏览记录]+辅助信息[用户商品特征]），提高目标域上推荐的准确性。
（2） 多域推荐MDR：
MDR是单目标CDR的另外一个研究方向。利用多个域中的辅助信息向某一组用户推荐。
（3） 双目标CDR：
同时提高两个域上推荐的准确性。
（4） 多目标CDR：
同时提高多个域上推荐的准确性。
相关文章：Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation：利用原域的辅助信息提高多个域上推荐的准确性。
HeroGRAPH: A Heterogeneous Graph Framework for Multi-Target Cross-Domain Recommendation：多个域间共享一个异构图生成用户项目嵌入向量。
存在问题：没有考虑负迁移

未来研究：
（1）异构CDR：现有CDR假设跨域的信息是同构的，实际中，不同的域都有不
同类型丰富的信息。如何利用这些跨域的异构信息，进一步提高推荐的性能，是值得研究的一个方向。
（2）序列CDR：不仅需要建模序列用户-项目交互，而且要跨域迁移信息。
（3）隐私保护CDR：推荐系统使用用户的一些敏感信息，比如点击购买，用户特征，浏览历史等。在CDR中，这些数据在多个域中共享，因此，在CDR的同时保护用户隐私也是迫切需要的。
相关文章：Secure social recommendation based on secret sharing.
Cross domain recommendation without sharing user-relevant data.