本文提出了一种名为 TiDA-GCN 的图形解决方案，以解决跨域顺序推荐中的挑战，包括多个实体之间的关系的捕获、明确的跨域图结构的建立和时间间隔信息的利用，通过域感知图卷积网络和有效的注意机制实现用户特定节点表示的学习，以及引入账户感知自注意模块进行交互特征的学习。实验结果表明，该方法在多个方面表现出优越性。

Jun, 2022

提出了一种基于强化学习的共享账户交叉域序列推荐的解决方案 RL-ISN, 通过注意力机制学习更准确的用户特定账户表示，同时使用层次化强化学习任务来过滤不相关的领域信息以提高推荐性能。在两个真实数据集上的实验结果表明，与现有的推荐方法相比，我们的方法具有优越性。

Jun, 2022

本文提出了一种轻量级的外部注意力增强 GCN 框架 (LEA-GCN) 来解决交叉领域序列推荐中遇到的挑战，包括用户特定序列表示的学习以及复合或深层结构的高运算复杂度等问题。该方法通过邻域聚合和双通道外部注意力机制捕捉两个域的商品的协同过滤信号实现其更高的运行效率，实验证明其相较于其他最先进方法，所需体积和训练时间更小而不影响准确性。

Feb, 2023

本文提出了一个名为 GA 的统一框架，它使用图形嵌入和注意力技术来提高所有数据集的推荐精度，包括 Dual-Target CDR，Multi-Target CDR 和 CDR+CSR，实验证明 GA 相比现有的 CDR 和 CSR 算法有更好的表现。

Aug, 2021

本文提出一种基于双重动态图建模和混合度量训练的跨域顺序推荐框架 DDGHM，以解决现有跨域推荐模型由于数据稀疏和短序列长度引起的性能瓶颈。通过实验验证，DDGHM 有利于提高顺序推荐性能。

Sep, 2022

本文提出了一种名为 FedDCSR 的新型联邦跨领域顺序推荐框架，通过解耦表示学习来解决不同领域间的序列特征异质性问题，并通过在用户序列上进行数据增强来学习更丰富的领域专属特征，实验证明 FedDCSR 相较于现有基线方法有显著的改进。

Sep, 2023

利用多个领域的信息来解决推荐系统中的数据稀疏问题是 CDR（跨领域推荐）的关键解决方案。本文提出了 HGDR（基于异构图的框架和解缠表示学习），这是一个端到端的异构网络架构，应用图卷积层来建模不同领域之间的关系，并利用解缠表示的思想来处理领域共享和领域特定的信息。实验结果表明，我们的模型能有效地在领域之间传递信息并达到领先水平。

Jul, 2024

提出了一种名为 DGSR 的新方法，它通过连接不同的用户序列来探索用户和项之间的交互行为，从而将顺序推荐中的下一个项目预测任务转化为动态图中用户节点和项目节点之间的链接预测，实验证明该方法优于几种最先进的方法。

Apr, 2021

跨领域的顺序推荐（CDSR）的关键问题是解决传统顺序推荐系统中存在的数据稀疏问题。然而，在现实世界的推荐系统中，CDSR 场景通常包含大多数行为稀疏和冷启动用户，这导致现有 CDSR 方法在实际产业平台中性能下降。因此，在开放世界的 CDSR 场景中提高模型的一致性和效果对于构建 CDSR 模型至关重要。

Nov, 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