本文介绍了多向领域协同过滤问题，通过概率矩阵分解模型不仅考虑了数据稀疏性问题，还能在不同领域自适应地传递知识，实验表明其在实际应用中的有效性。

Mar, 2012

该研究论文提出一种基于经验预测误差和方差的新标准，用于更好地捕捉协同过滤设置中跨领域的一致性，从而在提高评分预测精度方面显著改进了几项最先进的方法。

Oct, 2012

通过将扩展领域的知识转移到目标领域，提出了一种名为 Diffusion Cross-domain Recommendation (DiffCDR) 的新型 CDR 模型，其利用了扩散概率模型 (DPMs) 的概念和映射模块，在冷启动和热启动场景下，在各种 CDR 任务上超过了基线模型的效果。

Feb, 2024

本研究提出了一种利用谱域进行深度协同过滤的新模型 - Spectral Collaborative Filtering (SpectralCF)，能够在用户 - 物品二部图的谱域中直接进行学习，发挥图中的信息优势，解决协同过滤中的 “冷启动” 问题，并在多个标准数据集上明显优于现有模型。

Aug, 2018

本研究提出一种模型，在用户冷启动情况下，通过提问找到一些初始化评分，并用这些信息建立有效的代表，以解决协同过滤问题。这种方法在四个不同数据集上得到验证，并改善了基准性能。

Dec, 2014

本文提出了一种基于矩阵分解和全连接深度神经网络的深度跨域和跨系统推荐框架 DCDCSR，通过考虑不同域或系统中个人用户和项目的评级稀疏度来指导 DNN 的培训过程，有效利用评分数据，实验结果表明，该框架在推荐准确性方面优于现有的 CDR 和 CSR 方法。

Sep, 2020

本文介绍了一种基于元学习的跨域推荐系统解决方案，采用 transfer-meta 架构，可以在感知用户洞察和推荐推广等方面获得更好的性能表现。

May, 2021

提出一种面向冷启动用户的内容为基础的跨领域推荐方法，利用极端多类分类的形式来预测用户对物品的评分标签，构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络，实现了不依赖用户和物品重叠特征，不同领域之间的推荐， 在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。

Mar, 2018

本研究提出了一种层次贝叶斯模型，名为 CDL，其通过深度表示学习和协作过滤来处理稀疏的推荐数据，并在三个真实世界数据集上验证了其有效性。

Sep, 2014

本研究探讨集体矩阵分解模型在推荐系统中的应用，提出了一种新的公式，可以更快地预测没有反馈或互动数据但有辅助信息的用户和商品，虽然冷启动推荐不如热启动的推荐准确，但比非个性化推荐效果更好，而且对于新用户的预测比新商品更可靠。此处提出的公式在许多场景下改进了冷启动推荐，但热启动推荐效果有所下降。

Sep, 2018