MCRPL: Ein Vortrainings-, Prompt- und Feinabstimmungsparadigma für nicht überlappende Viele-zu-eins Cross-Domain-Empfehlungen

Cross-Domain-Empfehlung ist die Aufgabe, die darauf abzielt, die Empfehlungen im spärlichen Zielbereich zu verbessern, indem Informationen aus anderen reichen Bereichen genutzt werden. Bestehende Methoden der Cross-Domain-Empfehlung konzentrieren sich hauptsächlich auf überlappende Szenarien, indem angenommen wird, dass Benutzer vollständig oder teilweise überlappen, was als Brücken zum Verbinden verschiedener Bereiche dient. Diese Annahme trifft jedoch nicht immer zu, da es illegal ist, die Identitätsinformationen der Benutzer an andere Bereiche weiterzugeben. Die Durchführung nicht überlappender MCR (NMCR) ist herausfordernd, da (1) das Fehlen überlappender Informationen uns daran hindert, verschiedene Bereiche direkt auszurichten, und diese Situation im MCR-Szenario schlimmer werden kann, und (2) die Verteilung zwischen Quelle und Ziel es uns erschwert, gemeinsame Informationen zwischen den Bereichen zu lernen. Um die oben genannten Herausforderungen zu überwinden, konzentrieren wir uns auf NMCR und entwickeln MCRPL als unsere Lösung. Um Herausforderung 1 anzugehen, lernen wir zunächst gemeinsame domänenunabhängige und domänenspezifische Prompts und trainieren sie in der Vortrainingsphase vor. Um Herausforderung 2 anzugehen, aktualisieren wir die domänenspezifischen Prompts weiter, während wir andere Parameter fix halten, um das Fachwissen auf den Zielbereich zu übertragen. Wir führen Experimente in fünf realen Bereichen durch, und die Ergebnisse zeigen den Fortschritt unserer MCRPL-Methode im Vergleich zu mehreren aktuellen SOTA-Baselines. Darüber hinaus wurden unser Quellcode öffentlich veröffentlicht.