胡亮教授相关成果介绍①：跨域三元分解推荐：把“用户-物品”升级为“用户-物品-领域”Personalized Recommendation via Cross-Domain Triadic Facto

作者简介

胡亮，同济大学计算机科学与技术学院教授、博导，毕业于上海交通大学与悉尼科技大学，研究方向涵盖人工智能、推荐系统、机器学习与数据科学，入选上海海外高层次人才，获国家自然科学基金优秀青年科学基金项目（海外）支持。

一、研究背景

跨域协同过滤希望借助多个相关领域的数据缓解推荐系统中的数据稀疏与冷启动问题。但传统方法通常仍把问题当作“用户-物品”的二维关系来处理，默认不同领域之间可以通过共享用户因子直接迁移知识。论文指出，这种做法忽略了领域本身的差异，尤其在用户对某些领域几乎没有行为数据时，模型会把来自其他领域的偏好“硬迁移”到目标领域，导致预测失真。

二、论文信息

三、核心发现

图示：论文原文中的 CDTF 问题设定与三元因子化示意（Figure 1）

四、研究内容解读

1. 这项研究要回答什么问题？

这项研究真正要回答的问题是：当用户在某些领域几乎没有反馈时，系统如何还能有效利用其他领域的数据进行个性化推荐？作者认为，关键不只是“迁移多少数据”，而是要搞清楚这些数据是在哪个领域产生的，领域之间又有怎样的差异。

2. 研究团队发现了什么？

围绕这一问题，作者把领域视为与用户、物品同等重要的建模维度。CDTF 中，用户因子刻画跨领域的通用偏好，领域因子刻画不同领域的语义与特征，各领域再拥有各自的物品因子矩阵，以保留不同领域之间的异质性。这样一来，系统不再是把某一领域学到的用户表示直接套到另一领域，而是通过领域因子生成更贴近目标领域的用户偏好表达。

3. 他们是如何证明的？

在方法实现上，作者进一步给出了两套算法：一套面向显式反馈（如评分），另一套面向隐式反馈（如点击、购买）。同时，论文还利用遗传算法自动学习不同领域之间的权重，避免人工设定迁移强度。也就是说，模型不仅考虑“迁不迁”，还考虑“从哪个领域迁得更多、迁得更稳”。

五、关键机制与功能验证

这篇论文最核心的机制创新，是用类三元分解的方式处理“不同领域物品集合大小不一致”的现实问题。它并不强行把所有领域塞进同一个规则张量，而是允许各领域保有自己的物品空间，再通过通用用户因子与领域因子实现耦合。实验部分显示，无论在显式反馈还是隐式反馈场景下，CDTF 都优于邻域方法和传统跨域矩阵分解方法，说明“显式建模领域异质性”确实能提升跨域推荐质量。

六、总结与意义

总体来看，这项工作把跨域推荐的建模思路从“简单迁移用户表示”推进到了“联合建模用户、物品与领域”的层面。它的重要意义在于说明：跨域推荐的关键不只是数据共享，更是对领域差异的刻画。这一思路也为后续基于张量、异构关系和多任务学习的跨域推荐研究提供了清晰的方法论起点。

DOI：10.1145/2488388.2488441

已收藏 0

点赞 10