这篇文档属于类型a，是一篇关于跨领域推荐系统（Cross-Domain Recommendation, CDR）的原创性研究论文。以下是详细的学术报告内容：
一、作者与发表信息
本文由Lei Huang、Weitao Li、Chenrui Zhang、Jinpeng Wang、Xianchun Yi和Sheng Chen共同完成，作者均来自美团（Meituan）公司。论文标题为《EXIT: An Explicit Interest Transfer Framework for Cross-Domain Recommendation》，发表于CIKM ’24（第33届ACM国际信息与知识管理会议），会议时间为2024年10月21日至25日，地点为美国爱达荷州博伊西。
二、学术背景
研究领域与背景知识
研究领域为跨领域推荐系统（CDR），旨在通过源领域（source domain）的知识迁移解决目标领域（target domain）的数据稀疏性和兴趣偏差问题。传统CDR方法通常采用隐式建模（implicit paradigm），通过共享嵌入或模式学习实现知识迁移，但存在负迁移（negative transfer）风险，即源领域的不相关兴趣可能干扰目标领域的推荐效果。
研究动机与目标
在美团等工业场景中，不同业务领域（如外卖、酒店预订、团购）的服务功能和用户兴趣差异显著，隐式建模难以区分可迁移的兴趣信号。因此，本文提出显式兴趣迁移框架（EXIT），通过监督学习直接建模兴趣迁移过程，解决以下问题：
1. 负迁移控制：避免源领域不相关兴趣（如临时药品搜索）干扰目标领域推荐。
2. 场景感知迁移：根据细粒度场景（如时间、地点）动态调整兴趣迁移强度。
三、研究流程与方法
1. 框架设计
EXIT包含三个核心组件：
- 兴趣预测网络（Interest Prediction Network, IPN）：分别建模用户对目标领域和源领域的兴趣（(P{target})和(P{source})）。
- 兴趣组合标签（Interest Combination Label, ICL）：构造监督信号，指导模型学习何时迁移兴趣。
- 场景选择器网络（Scene Selector Network, SSN）：基于场景特征（如时间、用户画像）预测兴趣迁移概率（(P_{trans})）。
2. 数据与实验设置
- 数据集：使用美团生产环境数据，包含主页推荐（目标领域）及搜索、频道板块（源领域）的用户行为日志。训练集样本量达10亿级，测试集约2.6亿。
- 基线模型：对比单领域模型（如DNN、DeepFM）和跨领域模型（如MINet、UniCDR）。
3. 关键技术细节
- ICL构造：
- 若用户同时在源和目标领域对某商品感兴趣（(y^t=1, y^s=1)），ICL设为2，鼓励高迁移概率。
- 若兴趣不一致（(y^t=0, y^s=1)），引入群体一致性兴趣（group consistency interest, (\eta)），通过协同过滤计算迁移合理性（公式5）。
- SSN设计：输入场景特征（如用户年龄、商品类别、时间），通过多层感知机（MLP）输出(P_{trans})，确保迁移强度与场景匹配。
4. 损失函数
采用多任务联合损失（公式10），结合交叉熵损失（目标/源领域兴趣预测）和L1损失（ICL监督）。
四、主要结果
1. 离线实验
- AUC提升：EXIT在测试集上AUC达0.9098，优于最佳基线UniCDR（0.9075）。
- 负迁移控制：通过ICL和SSN，EXIT的负反馈率（NFR）降低6.937%，显著优于其他模型。
2. 在线A/B测试
- 业务指标：在美团主页推荐系统中，EXIT带来1.23%的点击转化率（CTCVR）和3.65%交易总额（GTV）提升。
- 案例验证：如表5所示，EXIT成功迁移用户对火锅团购的兴趣（(P{trans}=0.792)），同时抑制药品推荐（(P{trans}=0.048)）。
3. 消融实验
- ICL的作用：移除ICL后，NFR上升0.779%，验证其负迁移控制能力。
- SSN的作用：移除场景特征后，CTCVR下降0.244%，显示场景感知的必要性。
五、结论与价值
科学价值
- 显式范式创新：首次通过监督学习建模兴趣迁移过程，为CDR提供可解释性框架。
- 工业适用性：无需复杂网络结构，可快速部署于生产环境。
应用价值
- 业务提升：在美团主页推荐中实现显著收益，日均服务亿级流量。
- 用户体验优化：通过抑制负迁移，降低用户负面反馈。
六、研究亮点
- 显式兴趣迁移：通过ICL和SSN实现可控迁移，解决隐式范式的核心缺陷。
- 场景感知设计：首次将细粒度场景特征融入迁移强度建模。
- 高效部署：框架轻量，适合工业级推荐系统。
七、其他价值
- 开源工具：实验基于Spark实现群体兴趣计算，支持大规模数据处理。
- 跨领域扩展性：未来可探索无重叠用户/商品场景的迁移方法。
（报告总字数：约1500字）