ECAT: A Entire space Continual and Adaptive Transfer Learning Framework for Cross-Domain Recommendation

在工业推荐系统中，有几个小应用程序旨在满足用户的多样化兴趣和需求。它们的样本空间仅是整个空间的一小部分，因此训练高效模型具有挑战性。近年来，有许多优秀的跨领域推荐研究旨在缓解数据稀疏性问题。然而，其中很少有研究同时考虑到样本和表示的适应性连续转移设置到目标任务中。为了克服上述问题，我们提出了一个名为ECAT的整个空间连续和自适应转移学习框架，它包括两个核心组件：首先，对于样本转移，我们提出了一个实现粗细过程的两阶段方法。具体而言，我们通过图形引导方法进行初始选择，然后使用领域适应方法进行细粒度选择。其次，我们提出了一种自适应知识蒸馏方法，用于不断地从在整个空间数据集上训练有素的模型中传输表示。ECAT在目标任务的监督下充分利用了整个空间的样本和表示，同时避免了负面迁移。来自淘宝的真实工业数据集的全面实验表明，ECAT在离线指标上提高了最先进的性能，并为百亿补贴这个著名的小应用程序带来了+13.6％的CVR和+8.6％的订单。

ECAT框架旨在解决跨领域推荐中数据稀疏性问题，同时考虑样本和表示的连续转移。

ECAT框架包含两个核心组件：基于图的粗细选择方法和自适应知识蒸馏方法，能够在目标任务的监督下充分利用整个空间的样本和表示，避免负迁移。

论文在真实的淘宝工业数据集上进行了全面实验，证明ECAT在离线指标上领先于现有方法，并为淘宝的百亿补贴小程序带来了+13.6%的CVR和+8.6%的订单。

近年来，许多优秀的跨领域推荐研究旨在缓解数据稀疏性问题，但很少有研究同时考虑样本和表示的连续转移问题。