面向推荐的自适应全空间多场景多任务迁移学习模型

基于摘要分析。本文研究多场景、多任务推荐中的个性化信息利用不足，以及转化率（CVR）预测因训练与推理样本空间不同、点击稀少而产生的样本选择偏差与数据稀疏问题。作者提出 Adaptive Entire-space Multi-scenario Multi-task Transfer Learning（AEM²TL），结合分层门控、个性化特征调制、全空间监督与自适应任务加权；研究对象是推荐系统，而非 EEG 或 BCI。 模型包含 Scenario-CGC（Scenario-Customized Gate Control）、Task-CGC（Task-Customized Gate Control）、Personalized Gating Network 和 Entire-space Supervised Multi-Task Module。多门控机制用于整合场景及任务之间的共享与特有信息；个性化先验特征通过门控动态缩放顶层神经网络单元。作者还提出曝光后行为分解，以利用整个曝光空间的样本，缓解 CVR 任务的选择偏差与稀疏性，并根据任务相对重要性动态调整权重。具体行为分解关系、损失形式、权重更新规则及推理流程尚未验证。 作者报告，在一个工业数据集和两个真实世界公开数据集上，AEM²TL 优于所比较的先进方法。摘要未提供数据集名称、划分协议、基线名称、指标或提升幅度，因此无法判断优势的大小与稳定性；实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：其可讨论的迁移机制是按域与任务控制共享信息，并依据个体先验调制预测，而不是将推荐中的点击—转化关系直接套用于神经信号。假设 EEG 数据具有多个被试或会话、明确的多任务标签及推理时可获得的个体特征，场景与任务门控可能用于研究跨被试信息共享和负迁移。需重新定义域、任务及个体特征；全曝光空间监督依赖推荐行为结构，不能未经改造就声称可纠正 EEG 样本偏差。低信噪比、小数据及通道差异可能使门控过拟合，个体特征也可能在未见被试上失效。可在固定 Cross-subject 划分下，以相同 EEG 编码器比较共享多任务基线与加入场景、任务门控的模型，再消融个性化缩放，并分别报告各任务及各被试结果。已有 EEG 相关工作尚未检索确认。