第 150 题：跨域上下文的迁移，用户在其他域行为的权重衰减？
题目
跨域上下文的迁移，用户在其他域行为的权重衰减？
完整讲解
一、跨域上下文与迁移
跨域指不同业务或场景（如视频与电商、搜索与推荐、App 与 H5）。跨域上下文即用户在一个域的行为（点击、购买）可作为另一域的辅助信号，通过迁移增强目标域模型。例如电商主站与短视频域：用户在短视频的观看可帮助估计其对某类商品的兴趣，但两域意图不完全一致，需控制迁移强度，常用权重衰减。
二、用户在其他域行为的权重衰减
- 动机：他域行为与当前域相关性随「域距离」与「时间」减弱。直接把他域行为与当前域等权融合会引入噪声（如短视频偏好与购物偏好有重叠但不一致）；权重衰减即对他域信号降权，使主域信号主导、他域仅辅助。
- 按域衰减：不同域赋不同权重 $w_d$，如主域 $w=1$、强相关域 $w=0.5$、弱相关域 $w=0.2$。权重可人工设定或从验证集/多任务学习中得到。
- 按时间衰减：他域行为越久远权重越低，如 $w(t) = \exp(-\lambda \Delta t)$，$\Delta t$ 为他域行为距今时间。
- 按相似度衰减：他域 item 与当前候选的相似度（类目、内容）高则权重大，低则权重小，避免无关他域行为干扰。
- 学习得到：将他域特征或行为嵌入与「域 ID」一起输入模型，让模型学习域权重或门控；或多任务中他域任务损失加权较小，等价于对他域梯度衰减。
三、实现方式
- 特征层：他域行为聚合特征（如他域点击类目分布）乘以衰减系数后与主域特征拼接。
- 表示层：他域行为序列经独立或共享 encoder 得到向量，再乘域权重或门控后与主域表示融合。
- 多任务：主域任务 loss 权重大、他域任务权重小，反向传播时他域对共享参数的更新弱，形成隐式权重衰减。
四、注意点
- 衰减过强则他域信息浪费；过弱则噪声大。可按 A/B 或验证集调衰减系数与域权重。
- 他域数据可得性、延迟与合规需考虑；可只用可用的他域做有条件迁移。
面试要点
- 能说明跨域上下文的迁移及他域行为需权重衰减的原因（域距离、噪声）。
- 能说清衰减方式：按域、按时间、按相似度、或学习得到；特征层/表示层/多任务实现。
- 能提及衰减过强/过弱的权衡、A/B 与数据可得性。
记忆要点
- 跨域迁移：他域行为辅助目标域；需权重衰减控制噪声与域距离。
- 衰减：按域权重、按时间 $\exp(-\lambda \Delta t)$、按相似度、或学习门控/多任务权重。
- 实现：特征乘系数、表示门控、多任务小权重；按效果调衰减强度。