Collaborative filtering (CF) is a widely adopted technique in recommender systems. Traditional CF models mainly focus on predicting the user preference to items in a single domain, such as the movie domain or the music domain. A major challenge for such models is the data sparsity, and especially, CF cannot make accurate predictions for the cold-start users who have no ratings at all. Although cross-domain collaborative filtering (CDCF) is proposed for effectively transferring knowledge across different domains, it is still difficult for existing CDCF models to tackle the cold-start users in the target domain due to the extreme data sparsity. In this paper, we propose the cross-domain latent feature mapping (CDLFM) model for the cold-start users in the target domain. Firstly, in order to alleviate the data sparsity in single domain and provide essential knowledge for next step, we take users’ rating behaviors into consideration and propose the matrix factorization by incorporating user similarities. Next, to transfer knowledge across domains, we propose the neighborhood-based cross-domain latent feature mapping method. For each cold-start user, we learn his/her feature mapping function based on his/her neighbor linked users. By adopting gradient boosting trees and multilayer perceptron to model the cross-domain feature mapping function, two CDLFM models named CDLFM-GBT and CDLFM-MLP are proposed. Experimental results on two real datasets demonstrate the superiority of our proposed model against other state-of-the-art methods.

中文翻译：

---

CDLFM：通过潜在功能映射为冷启动用户提供跨域推荐

协作过滤（CF）是推荐系统中被广泛采用的技术。传统的CF模型主要集中于预测用户对单个域（例如电影域或音乐域）中项目的偏好。这种模型的主要挑战是数据稀疏性，尤其是CF根本无法为完全没有评级的冷启动用户做出准确的预测。尽管提出了跨域协作过滤（CDCF）以便在不同域之间有效地传递知识，但是由于极端的数据稀疏性，现有的CDCF模型仍然难以解决目标域中的冷启动用户。在本文中，我们为目标域中的冷启动用户提出了跨域潜在特征映射（CDLFM）模型。首先，为了减轻单个域中的数据稀疏性并为下一步提供必要的知识，我们考虑了用户的评分行为，并通过结合用户相似性来提出矩阵分解。接下来，为了跨域传输知识，我们提出了基于邻域的跨域潜在特征映射方法。对于每个冷启动用户，我们都基于他/她的邻居链接用户来学习他/她的特征映射功能。通过采用梯度提升树和多层感知器对跨域特征映射函数进行建模，提出了两种CDLFM模型：CDLFM-GBT和CDLFM-MLP。在两个真实数据集上的实验结果证明了我们提出的模型相对于其他最新方法的优越性。我们考虑了用户的评分行为，并通过纳入用户相似度来提出矩阵分解。接下来，为了跨域传输知识，我们提出了基于邻域的跨域潜在特征映射方法。对于每个冷启动用户，我们都基于他/她的邻居链接用户来学习他/她的特征映射功能。通过采用梯度增强树和多层感知器对跨域特征映射函数进行建模，提出了两种名为LDLFM-GBT和CDLFM-MLP的CDLFM模型。在两个真实数据集上的实验结果证明了我们提出的模型相对于其他最新方法的优越性。我们考虑了用户的评分行为，并通过纳入用户相似度来提出矩阵分解。接下来，为了跨域传输知识，我们提出了基于邻域的跨域潜在特征映射方法。对于每个冷启动用户，我们都基于他/她的邻居链接用户来学习他/她的特征映射功能。通过采用梯度提升树和多层感知器对跨域特征映射函数进行建模，提出了两种CDLFM模型：CDLFM-GBT和CDLFM-MLP。在两个真实数据集上的实验结果证明了我们提出的模型相对于其他最新方法的优越性。对于每个冷启动用户，我们都基于他/她的邻居链接用户来学习他/她的特征映射功能。通过采用梯度提升树和多层感知器对跨域特征映射函数进行建模，提出了两种CDLFM模型：CDLFM-GBT和CDLFM-MLP。在两个真实数据集上的实验结果证明了我们提出的模型相对于其他最新方法的优越性。对于每个冷启动用户，我们都基于他/她的邻居链接用户来学习他/她的特征映射功能。通过采用梯度提升树和多层感知器对跨域特征映射函数进行建模，提出了两种CDLFM模型：CDLFM-GBT和CDLFM-MLP。在两个真实数据集上的实验结果证明了我们提出的模型相对于其他最新方法的优越性。