来源：期刊VIP网 时间：
作者：郭文琪;彭商濂;申正义;龙宇;
单位：空军预警学院;成都信息工程大学计算机学院;
摘要：针对跨平台交互推荐场景中用户偏好动态变化、数据稀疏及冷启动问题，本研究提出一种基于迁移学习的智能推荐算法，并设计了3项核心优化策略，以提升模型的泛化能力和推荐精度。首先，构建动态用户兴趣建模机制，通过引入时间感知的行为编码方式，捕捉用户短期与长期兴趣的融合表达；其次，设计对抗特征迁移模块，在源平台与目标平台之间引入判别器进行对抗训练，实现特征分布的无监督对齐，增强模型的跨域迁移能力；最后，引入加权对比学习优化方法，通过赋予正负样本差异化权重，强化模型对关键行为的判别学习。在4个真实媒体推荐数据集上的实验结果表明，本研究方法在Precision@10、Recall@10、NDCG@10、MRR等指标上均优于主流推荐算法，尤其在用户兴趣建模和跨域冷启动任务中展现出更强的鲁棒性和适应性。
关键词：跨平台推荐;;迁移学习;;动态用户建模;;对抗特征迁移;;加权对比学习;;深度推荐系统
基金资助：国家社科基金(No.24XTQ005);; 四川省科技厅重点研发项目(No.2023YFG0144);; 成都信息工程大学创新创业训练计划项目(No.202410621153,No.X202510621154)
