ATLAS: Learning to Recommend Across Unseen Domains
ATLAS：多源域泛化零样本推荐框架，无需目标域适配
🧭 多源推荐域泛化 · 零样本检索 ★ 深度解读
Sony Research India
通过对抗对齐 + Gromov-Wasserstein 对齐 + 残差矢量量化，在不接触目标域的条件下实现零样本推荐。
📌 工作参考价值（4 点）
- item 侧领域混淆：用对抗训练 + 梯度反转层让 item 投影后的表示无法被线性分类器区分来源域，工程上可直接用于多业务线 item embedding 统一，无需额外对齐模块。
- 用户交互几何对齐：引入 Gromov-Wasserstein 下界损失匹配不同域内用户间距离分布，无需用户重叠，适合迁移用户冷启动场景——新域用户仅凭少量交互历史就能获得合理表示。
- 离散码本作为信息瓶颈：残差矢量量化（RVQ）层次化码本强制丢弃域特有变化，实验表明使用码本重建向量比连续投影提升零样本 HR 平均 45%，可作为推荐模型轻量化或跨域迁移的通用技巧。
- 源域多样性是关键：实验证实源域数量从 2 扩到 5 时零样本性能单调上升，提示实际业务中应尽可能聚合异构场景（如不同品类、国家）联合训练，而不是只依赖单一主域。