动机

本文是2021年SIGIR上的一篇论文。本文主要针对的是冷启动问题中的跨域推荐问题，目前常用的方法是EMCDR，但是这个方法很大局限性，它仅在重叠的用户上学习，这样学到的模型会偏向于这些重叠用户，针对以上问题，本文提出了TMCDR方法，是一种基于embedding模型通用的方法。

方法

Transfer Stage

在此阶段，我们需要在两个域中分别用所有数据去训练出两个模型，在之后Meta Stage训练元网络时，固定住这两个模型，不更新它们参数。

Meta Stage

在此阶段，运用元学习方法MAML训练一个从源于到目标域的元网络。具体流程如下。

实验结果

在六种跨域推荐场景下，本方法均取得最好效果。

总结

本文方法的有效性个人认为有两点：1.利用域中所有用户去训练模型，而不是仅用重叠的用户去训练，这样子训练出的base模型效果更好。2.因为重叠用户数量少，仅使用重叠用户数据去训练一个映射器很容易过拟合，本文提出的基于MAML方法的TMCDR框架可缓解这个问题。