ECAT: 전체 공간 지속적이고 적응 가능한 전이 학습 프레임워크 교차 도메인 추천을 위한

산업 추천 시스템에서는 사용자의 다양한 관심과 필요를 충족하기 위해 설계된 여러 미니 앱이 있습니다. 이들 샘플 공간은 전체 공간의 작은 하위 집합에 불과하여 효율적인 모델을 훈련하는 데 어려움을 줍니다. 최근 몇 년 동안 데이터 희소성 문제를 완화하기 위한 교차 도메인 추천과 관련된 많은 우수한 연구가 있었습니다. 그러나 이들 중 몇몇은 샘플과 표현 지속적 전이 설정의 적응성을 동시에 고려하지 않았습니다. 이러한 문제를 극복하기 위해, 우리는 ECAT라는 전체 공간 지속적이고 적응 가능한 전이 학습 프레임워크를 제안합니다. ECAT은 두 가지 핵심 구성 요소를 포함합니다: 첫째, 샘플 전이를 위해粗-세밀 과정을 실현하는 두 단계 방법을 제안합니다. 구체적으로, 그래프 안내 방법을 통해 초기 선택을 수행한 후 도메인 적응 방법을 사용하여 세밀한 선택을 진행합니다. 둘째, 전체 공간 데이터셋에서 잘 훈련된 모델의 표현을 지속적으로 전이하기 위한 적응형 지식 증류 방법을 제안합니다. ECAT은 목표 작업의 감독 하에 전체 공간 샘플과 표현을 완전히 활용할 수 있게 하며, 부정적 전이를 피합니다. 타오바오의 실제 산업 데이터셋에 대한 종합적인 실험 결과, ECAT은 오프라인 메트릭에서 최첨단 성능을 향상시키며, 타오바오의 유명한 미니 앱 바이이부티에 대해 +13.6% CVR 및 +8.6% 주문수 증가를 가져옵니다.