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

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

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

本文综述了现有的跨领域推荐方法，包括挑战、研究进展和未来方向，把现有的跨领域推荐方法归纳为四类：单目标 CDR，多领域推荐，双目标 CDR 和多目标 CDR，并提出了全景分类和新的分类法，并详细报告了它们的研究进展。

Mar, 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

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

本文提出了一种新颖的用于匹配的对比交叉领域推荐（CCDR）框架，该框架通过构建一个巨大的多样化的偏好网络来捕捉反映用户多种兴趣的多种信息，并设计了一个内域对比学习（intra-CL）和三个交叉域对比学习（inter-CL）任务以获得更好的表示学习和知识转移。在实验中，CCDR 在现实世界的系统中取得了显着的离线和在线评估成果。

Dec, 2021

本研究提出了 Collaborative Filtering with Attribution Alignment model (CFAA) 作为一种跨领域推荐解决方案，该方法通过联合挖掘用户评论、one-hot ID 和多次历史评分来生成具有表现力的用户和物品嵌入，从而显著提高了在 RNCDR 设置下的推荐性能。

Feb, 2022

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

本研究提出了一种名为 CDR-Adapter 的可扩展和高效的跨领域推荐模型，通过解耦原始推荐模型和映射函数的方式，有效解决了数据稀疏性和冷启动问题，并且无需重新设计网络结构。CDR-Adapter 采用适配器模块对特征表示进行对齐，实现了不同领域的灵活知识传递和以最小训练成本进行高效微调。在基准数据集上进行的大量实验证明了我们方法在多个最先进的 CDR 方法上的优越性。

Nov, 2023