[2407.20121] EXIT: An EXplicit Interest Transfer Framework for Cross-Domain Recommendation

“EXIT: An EXplicit Interest Transfer Framework for Cross-Domain Recommendation”提出了一种名为EXIT的跨域推荐框架，以解决现有方法在跨域推荐中面临的负迁移等问题。该框架通过创新的标签组合方法和场景选择器网络，在工业数据集和在线测试中表现出优越性能，并已成功应用于美团首页推荐系统。

  1. 研究背景

    • 传统单域推荐方法受数据稀疏和兴趣估计偏差困扰，跨域推荐虽旨在解决这些问题，但现有方法多采用隐式建模，在源域和目标域差异大时易出现负迁移，如美团不同业务域功能和形式多样，增加了负迁移风险。
    • 早期跨域推荐方法利用内容或评分模式进行知识转移，近期基于嵌入的方法虽有进展，但在复杂场景下仍存在不足。

  2. EXIT框架介绍

    • 整体架构：由兴趣预测网络（IPN）、兴趣组合标签（ICL）和场景选择器网络（SSN）组成。先分别预测源域和目标域兴趣，再通过ICL筛选可转移的源域兴趣并与目标域兴趣结合，同时SSN学习不同场景下的兴趣转移强度，最终得到适合目标域的用户完整兴趣。
    • 兴趣预测网络（IPN）：基于多任务框架，对用户、项目和上下文特征进行嵌入，聚合源域标签后通过兴趣预测塔分别建模源域和目标域兴趣。
    • 兴趣组合标签（ICL）：根据目标域和源域标签构建，用于监督源域信号向目标域的转移，通过引入群体一致性兴趣，在用户兴趣不一致时辅助判断转移可行性，使模型学习合适的转移概率。
    • 场景选择器网络（SSN）：结合用户、项目和上下文嵌入以及场景嵌入，经全连接层和多层感知机输出兴趣转移概率，确保其与用户兴趣变化匹配。
    • 多兴趣联合损失：综合考虑IPN的目标域和源域交叉熵损失以及ICL的L1损失，通过调整权重平衡不同损失对模型训练的影响。
    • 在线服务：在线服务时对输出的用户完整兴趣进行截断处理，使其范围在[0,1]内。

  3. 实验部分

    • 数据集：使用美团应用的用户行为日志构建大规模工业离线数据集，目标域为首页推荐，源域为搜索和频道部分；同时通过在线实验进一步评估模型，确保能反映跨域方法优势。
    • 对比基线：包括LR、DNN等单域方法和MVDNN、CoNet等跨域方法。
    • 评估指标：离线实验采用AUC和Logloss，在线A/B测试使用CTCVR、GTV和NFR。
    • 实验结果：EXIT在离线和在线评估指标上均显著优于单域和跨域基线方法。消融实验表明框架各组件均不可或缺，如ICL可防止负迁移、SSN有助于建模兴趣转移强度、联合损失保证模型正常训练，且合理利用群体一致性兴趣可提升模型性能。

  4. 案例研究与应用：通过实际用户案例展示EXIT能有效转移知识和避免负迁移，已成功部署在美团首页推荐系统，带来了CTCVR和GTV提升以及NFR降低的显著效果。

  5. 研究结论：EXIT为跨域推荐提供了新的显式范式，有效缓解负迁移问题，通过实验验证了其优越性，并已在美团取得实际应用成果，未来将探索在无用户或项目重叠域的应用。