Cold Start & Long-Tail Distribution: 解释跨域推荐与迁移学习。

Core Concept: 用源域（数据丰富）的知识迁移到目标域（冷启动）；方法：共享嵌入、特征映射、预训练微调、元学习。

数学机理：<strong>跨域推荐（Cross-Domain Recommendation，CDR）</strong> 的设定——(a) <strong>源域</strong>（source）——数据丰富（如电商）；(b) <strong>目标域</strong>（target）——数据稀疏/冷启动（如新上线的场景）；(c) <strong>目标</strong>——用源域知识提升目标域。<strong>三种场景</strong>——(1) <strong>完全重叠</strong>（同一批用户/物品，不同行为）——如'同一电商的浏览与购买'；(2) <strong>部分重叠</strong>（部分用户/物品共享）——<strong>最常见</strong>（如'同一公司的多个 App'）；(3) <strong>完全不重叠</strong>（无共享）——<strong>最难</strong>（需靠'行为模式的相似性'迁移）。<strong>方法</strong>——(1) <strong>共享嵌入（shared embedding）</strong>——让源域与目标域<strong>共享部分嵌入</strong>（用户/物品嵌入）；(a) <strong>优点</strong>——简单；(b) <strong>缺点</strong>——若域差异大，共享会损害源域。(2) <strong>特征映射（feature mapping）</strong>——学习'源域嵌入 → 目标域嵌入'的映射；<strong>优点</strong>——不需共享（各自独立）；<strong>缺点</strong>——需'重叠用户/物品'来学映射。(3) <strong>预训练 + 微调</strong>——在源域预训练，在目标域微调；<strong>优点</strong>——实用（如'用大平台的模型初始化小平台'）；<strong>缺点</strong>——需谨慎（微调数据少时易过拟合）。(4) <strong>元学习（meta-learning）</strong>——学习'如何快速适配新域'（MAML 风格）；<strong>优点</strong>——适合'多域'场景；<strong>缺点</strong>——训练复杂。(5) <strong>多任务学习</strong>（MMoE/PLE）——把多域作为多任务，用门控区分；<strong>优点</strong>——缓解负迁移。(6) <strong>'内容/属性'桥接</strong>——用'物品的属性'（如品类）作为跨域的桥（即使物品不重叠，品类重叠）。(7) <strong>'序列/行为模式'迁移</strong>——迁移'用户行为的模式'（如'浏览→购买的转化模式'）。<strong>挑战</strong>——(a) <strong>域间差异（domain shift）</strong>——分布不同 → <strong>负迁移</strong>（迁移反而损害）；(b) <strong>重叠少</strong>——部分/不重叠场景难学映射；(c) <strong>隐私/合规</strong>——跨平台数据不能共享（联邦学习/差分隐私）；(d) <strong>'对齐'问题</strong>——不同域的'用户/物品表示'如何对齐。<strong>防负迁移</strong>——(a) <strong>门控机制</strong>（MMoE/PLE——让不同域用不同专家）；(b) <strong>域适配层</strong>（共享底层 + 域特定顶层）；(c) <strong>域间相似度评估</strong>（只在'相似域'间迁移）；(d) <strong>渐进式</strong>（先共享少量，逐步增加）；(e) <strong>监控源域/目标域的表现</strong>（若源域变差则减少共享）。<strong>评估</strong>——(a) <strong>目标域</strong>的指标（冷启动场景的提升）；(b) <strong>源域</strong>的指标（是否因迁移变差）；(c) <strong>重叠用户/物品</strong> vs <strong>非重叠</strong>的分层评估；(d) 长期（目标域数据增长后的表现）。<strong>实践建议</strong>——(a) <strong>有重叠</strong> → 特征映射/共享嵌入；(b) <strong>无重叠但有共同属性</strong> → 内容/属性桥接；(c) <strong>多域</strong> → 元学习或多任务（MMoE/PLE）；(d) <strong>防负迁移</strong>（门控/域适配/相似度筛选）；(e) <strong>双向评估</strong>（源域与目标域）；(f) <strong>合规</strong>（隐私/数据边界）。<strong>度量</strong>——(a) 目标域指标提升；(b) 源域指标变化；(c) 分层评估（重叠/非重叠）；(d) 长期表现。

深度剖析与工程权衡：① <strong>'负迁移是跨域的核心风险'</strong>——域差异大时迁移反而损害；面试中能指出这一点是深度理解的标志。② <strong>'部分重叠最常见'</strong>——需'重叠用户/物品'来学映射；完全不重叠最难。③ <strong>'门控机制防负迁移'</strong>——MMoE/PLE 让不同域用不同专家；这是实用手段。④ <strong>'内容/属性桥接'</strong>——即使物品不重叠，品类/属性可能重叠；这是'无重叠'场景的解法。⑤ <strong>'双向评估必需'</strong>——只看目标域提升可能掩盖源域退化。⑥ <strong>面试要点</strong>——被问'跨域推荐怎么做'，应给出'<strong>三种重叠场景 + 方法（共享嵌入/特征映射/预训练微调/元学习/多任务）+ 防负迁移 + 双向评估</strong>'；能指出'负迁移是核心风险'是深度理解的标志。