Transfer learning has attracted a large amount of interest and research in last decades, and some effort has been made to build more precise recommendation systems. Most previous transfer recommendation systems assume that the target domain shares the same/similar rating patterns with the auxiliary source domain, which is used to improve the recommendation performance. However, almost all existing transfer learning work does not consider the characteristics of sequential data. In this paper, we study the new cross-domain recommendation scenario by mining novelty-seeking trait. Recent studies in psychology suggest that novelty-seeking trait is highly related to consumer behavior, which has a profound business impact on online recommendation. Previous work performed on only one single target domain may not fully characterize users’ novelty-seeking trait well due to the data scarcity and sparsity, leading to the poor recommendation performance. Along this line, we propose a new cross-domain novelty-seeking trait mining model (CDNST for short) to improve the sequential recommendation performance by transferring the knowledge from auxiliary source domain. We conduct systematic experiments on three domain datasets crawled from Douban to demonstrate the effectiveness of our proposed model. Moreover, we analyze the directed influence of the temporal property at the source and target domains in detail.

中文翻译：

---

通过跨域新颖性寻求特征挖掘的顺序推荐

在过去的几十年里，迁移学习引起了大量的兴趣和研究，并且已经做出了一些努力来构建更精确的推荐系统。大多数先前的转移推荐系统假设目标域与辅助源域共享相同/相似的评分模式，用于提高推荐性能。然而，几乎所有现有的迁移学习工作都没有考虑序列数据的特性。在本文中，我们通过挖掘求新特征来研究新的跨域推荐场景。最近的心理学研究表明，求新特质与消费者行为高度相关，这对在线推荐具有深远的商业影响。由于数据稀缺和稀疏，以前仅在一个目标域上执行的工作可能无法完全表征用户的求新特征，从而导致推荐性能不佳。沿着这条路线，我们提出了一种新的跨域求新特征挖掘模型（简称 CDNST），通过从辅助源域转移知识来提高顺序推荐性能。我们对从豆瓣爬取的三个领域数据集进行了系统的实验，以证明我们提出的模型的有效性。此外，我们详细分析了源域和目标域的时间属性的直接影响。我们提出了一种新的跨域求新特征挖掘模型（简称 CDNST），通过从辅助源域转移知识来提高顺序推荐性能。我们对从豆瓣爬取的三个领域数据集进行了系统的实验，以证明我们提出的模型的有效性。此外，我们详细分析了源域和目标域的时间属性的直接影响。我们提出了一种新的跨域求新特征挖掘模型（简称 CDNST），通过从辅助源域转移知识来提高顺序推荐性能。我们对从豆瓣爬取的三个领域数据集进行了系统的实验，以证明我们提出的模型的有效性。此外，我们详细分析了源域和目标域的时间属性的直接影响。