DARec：跨领域推荐的深度领域自适应方法，基于转移评分模式
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
该论文介绍了一种使用神经模型实现跨领域推荐的方法，该方法结合协同过滤、混合过滤和迁移学习等技术。该方法使用记忆模块和转移网络从非结构化文本中提取有用内容并选择性地转移知识，实现了端到端的处理，并在实际数据集上取得了更好的推荐效果。
Jan, 2019
提出了一种新颖的方法 RecSys-DAN，通过表示学习、对抗学习和转移学习（特别是域适应）来减轻交叉领域和领域内数据的稀疏性和不平衡性，并学习用户、项目及其交互的可传输潜在表示。该方法通过对抗损失进行最小最大博弈来学习目标域中的映射函数，旨在生成具有域不可区分性的表示形式。在真实的亚马逊数据上的实验结果表明，即使不使用目标域中的标记数据（即评分），RecSys-DAN与最先进的监督方法相比具有竞争力。
Mar, 2019
本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型，该模型在电影、图书和音乐三个领域的数据集上经过充分测试，表现优于其他传统模型。
Oct, 2019
文中介绍了一种基于神经层的跨领域推荐系统学习方法，使用共享组件来指导神经协同过滤器，通过学习稀疏交互数据中的用户和项目表示来实现推荐功能。
May, 2020
该研究提出了一种名为 COAST 的新型跨领域推荐框架，通过感知实体之间的跨领域相似性和用户兴趣的对齐来提高双重领域的推荐性能，并使用用户表示和图卷积网络的消息传递机制来捕获用户和项目的高阶相似性，对跨领域推荐算法进行了广泛的实验，并证明 COAST 在多项任务中一致且显著优于同类算法。
Jan, 2023
我们提出了一种混合注意力网络（MAN），其中包括局部和全局注意力模块，用于提取领域特定和跨领域信息。实验结果表明，我们的模型在两个真实数据集上具有优越性，同时进一步研究也证明了我们提出的方法和组件分别是模型无关和有效的。
Nov, 2023
我们的研究提出了一种两步领域感知的交叉关注方法，能够从源领域的不同粒度中提取可迁移的特征，有效表达领域和用户兴趣，简化了训练流程，适合于新领域的快速部署，并通过实验证明了方法的有效性，还在在线广告系统中部署了模型，观察到了单击率和有效千次展示费用的显著改善。
Jan, 2024