核心思路

双目标跨域推荐（dual-target CDR）希望借助重叠用户，在两个域同时提升效果。SIGIR 2024 的 CrossAug 把每个用户表征拆成共享与私有两部分，再把 X 域共享 + Y 域私有拼成”假想的 Y 域用户”做数据增强。本文认为这种线性拼接有三个问题：

1. 语义无效：解耦不完美时，拼出来的向量可能落在合法用户表征流形之外；
2. 噪声监督：对不连贯的增强表征仍套用 BPR 排序假设；
3. 非线性不足：真实跨域偏好映射是高阶的，拼接表达不了。

DCD-XRec 的做法是把”跨域迁移”改写为条件生成：以用户在源域的共享表征为条件，用扩散去噪网络生成目标域的共享表征。增强样本保留，但只作为扩散的目标，条件始终使用真实表征。

整体实现思路

四个模块端到端联合训练：

1. 每个域一个两层 LightGCN 式图编码器，重叠用户按交互比例做跨域融合；
2. 共享的线性投影头 W_s / W_p 把表征拆成共享（64 维）与私有（64 维）两部分，推荐用两者拼接；
3. 对重叠用户构造跨域增强表征（CrossAug 式拼接），只当扩散目标；
4. 双向条件扩散（X→Y、Y→X），每个方向包含 R→R 和 R→A 两路噪声预测损失。

总损失：L = L_rec(BPR) + λ_diff · L_diff + λ_reg · L_reg，λ_diff=0.1，λ_reg=0.001。

子模块实现（可复现细节）

1. 图表征学习

域 A∈{X,Y} 的二部图上，第 l 层：

• 用户：a_u = h_u + Σ_{i∈N_u} 1/sqrt(|N_u||N_i|) · (h_i + h_i ⊙ h_u)，物品对称；在 LightGCN 基础上加了逐元素交互项；
• 非重叠用户与所有物品：h^{(l+1)} = a^{(l)}；
• 重叠用户：h_u^{X,(l+1)} = 1/2 · [(1+λ_u) a_u^X + (1−λ_u) a_u^Y]，λ_u = |N_u^X| / (|N_u^X| + |N_u^Y|)，Y 域对称；
• 各层输出拼接成 (L+1)d 维，打分为内积 s_{u,i} = <h_u, h_i>。

2. 共享/私有分解

h_s = W_s h，h_p = W_p h，W_s∈R^{d_s×(L+1)d}，W_p∈R^{d_p×(L+1)d}，两个域共用同一组投影，以保持语义空间一致。论文强调它相对固定切分（hard slicing）的好处是可学习迁移方向，W_p 作为域内残差。推荐表征为 h_s ⊕ h_p。实验设置写的是 d=128 拆成 d_s=64、d_p=64，与 (L+1)d 的输入维度表述不完全一致（论文本身的含糊之处）。

3. 跨域增强目标

仅对重叠用户：h̃_u^Y = h_{u,s}^X ⊕ h_{u,p}^Y，h̃_u^X = h_{u,s}^Y ⊕ h_{u,p}^X。这些增强表征只作为扩散目标，条件永远是真实共享表征。

4. 条件扩散

• 前向：x_t = sqrt(ᾱ_t) x_0 + sqrt(1−ᾱ_t) ε，T=100，β 线性从 1e-4 到 0.02；
• 去噪器 ε_θ(x_t, t, c)：两层 MLP，GELU，隐层 256；正弦时间编码加到输入；cross-attention 中 x_t 作为 query，条件 c 作为 key/value；
• x_0 位于 d_s=64 维共享空间。

5. 双路扩散目标

以 X→Y 为例（重叠用户）：

• R→R：x_0 = h_{u,s}^Y，c = h_{u,s}^X，L_rr = E||ε − ε_θ(x_t^Y, t, h_{u,s}^X)||²；
• R→A：x_0 = W_c h̃_u^Y（W_c 为”共享空间投影”，论文未给维度，推断是把 128 维增强表征映射回 64 维），条件仍为真实 h_{u,s}^X；
• L_diff = L_rr^{X→Y} + L_ra^{X→Y} + L_rr^{Y→X} + L_ra^{Y→X}。

6. 推荐损失与训练

BPR，每个域采 (u, i+, i−) 三元组，负样本随机采；L2 正则只加在第 0 层嵌入上。Adam，100 epoch，batch 1024，lr 0.001（Movie&Music）/0.0005（Cell&Elec），GCN dropout 0.3。复杂度 O(L(|E^X|+|E^Y|)d + T|U^O| d_h d_s)，扩散只算重叠用户。推理时”迁移表征生成一次，再走内积排序”，但生成表征如何与 h_s⊕h_p 组合，正文没有说明。

实验设置与结果

数据：Amazon Review 2018 的 Movie&Music、Cell&Elec、Book&Movie、Book&Music；Douban 两个域对。评分≥4 作为正样本，5-core 过滤，留一法切分，每个测试正样本配 499 个负样本，指标为 HR@10、NDCG@10（%）。论文没有报告数据规模和重叠用户比例。

基线：LightGCN、DTCDR、DDTCDR、BiTGCF、DisenCDR、CrossAug。

Table 1：Amazon 两个域对（HR@10 / NDCG@10）

方法	Movie HR	Movie NDCG	Music HR	Music NDCG	Cell HR	Cell NDCG	Elec HR	Elec NDCG
LightGCN	37.66	23.94	30.20	18.51	24.61	15.35	23.89	14.73
DTCDR	41.55	25.52	30.45	17.13	19.81	10.58	23.39	12.16
DDTCDR	42.46	27.11	26.19	14.35	19.40	10.96	22.17	11.46
BiTGCF	49.09	37.13	41.85	29.31	32.90	21.97	33.53	22.41
DisenCDR	26.68	15.12	17.22	9.21	21.82	12.50	23.02	12.71
CrossAug	53.06	38.94	45.09	30.82	34.46	22.71	34.75	22.86
DCD-XRec (R→R)	51.08	38.03	44.52	30.02	34.26	23.04	33.99	23.87
DCD-XRec (R→A)	29.81	22.55	20.87	19.67	–	–	–	–
DCD-XRec (Both)	57.02	41.83	47.12	34.31	38.27	26.26	37.13	25.41

相对最强基线，四个域平均 HR@10 +7.47%、NDCG@10 +11.38%。

Table 2：Amazon 另外两个域对（仅与 CrossAug 比）

方法	Book HR	Book NDCG	Movie HR	Movie NDCG	Book HR	Book NDCG	Music HR	Music NDCG
CrossAug	59.27	36.54	42.16	29.36	60.77	38.44	44.62	31.53
DCD-XRec	61.11	39.29	45.99	32.10	63.37	41.81	46.49	34.79

（前四列为 Book&Movie，后四列为 Book&Music）

Table 3：Douban（仅与 CrossAug 比）

方法	对1-域1 HR	NDCG	对1-域2 HR	NDCG	对2-域1 HR	NDCG	对2-域2 HR	NDCG
CrossAug	51.18	31.24	70.41	45.28	58.38	36.26	41.87	24.89
DCD-XRec	53.96	35.07	73.83	47.75	59.19	39.12	44.65	26.74

表头为 “Book & Movie” 与 “Movie & Music”，正文却写 Book–Movie 与 Book–Music，域对命名不一致。

Table 4：消融（Movie & Music）

R→R	R→A	Movie HR	Movie NDCG	Music HR	Music NDCG
✓		51.08	38.03	44.52	30.02
	✓	29.81	22.55	20.87	19.67
✓	✓	57.02	41.83	47.12	34.31

作者解读：只用 R→R 时 HR 略低于 CrossAug、NDCG 接近；只用 R→A 时大幅退化；两路结合最好，相当于”从真实到增强”的课程。

思考与可参考价值

值得借鉴的点

• “条件干净、目标可噪”是一条通用原则：增强或伪样本只放在监督目标一侧，输入条件始终用真实信号。电商 SID 生成里的跨体裁伪样本、MixID 混训中的视频→商品迁移都可以套这个结构。
• 扩散只作用在重叠用户的 64 维共享子空间上，训练开销和 LightGCN 同量级，推理不改动内积召回，工程侵入性低。
• 用”源域共享表征 → 目标域共享表征”的条件去噪替代线性映射（如 EMCDR 的 MLP 映射），理论上能表达一对多的跨域偏好分布。

需要警惕的点

• 扩散输出在推理时怎么用没写清。从损失结构看，扩散更像一个对共享子空间施加跨域一致性的正则项，算不上严格意义的”生成式推荐”（推断）。落地前要看开源代码 https://github.com/Arin13-03/DCD-XRec 确认推理链路。
• 仅 R→A 掉到比单域 LightGCN 还差很多（Movie HR 29.81 vs 37.66），说明增强目标的权重或质量稍有不当就会伤主任务；作者把原因归于”以增强表征为条件”，与方法定义里”条件始终真实”相矛盾。
• 增益归因不清：仅 R→R 不如 CrossAug，提升来自两路组合；缺少”无扩散、仅对增强目标做 MSE 对齐”的对照，无法确认扩散本身是必要的。
• 评估采用 1 正 + 499 负的采样协议，没有数据规模、多种子和显著性检验；Table 2/3 只比 CrossAug。在全量排序和低重叠率的真实电商场景下，增益幅度需要重新验证。

一句话判断：一篇思路清楚但实验与描述都较单薄的 RecSys 短文。可以借鉴的是”共享子空间条件扩散 + 增强样本只当目标”这个设计，增益数字需要谨慎看待。