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

本论文提出了一种基于图的推荐算法 DA-GCN，通过关注用户特定节点表示和选定注意机制来解决交叉领域序列推荐任务中的挑战。

May, 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

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

跨域顺序推荐（CDSR）致力于揭示和转移用户在多个推荐领域中的顺序偏好。本文提出了一种模型不可知的框架 CA-CDSR，通过序列感知生成和自适应部分对齐，实现了跨域项目表示的对齐。经过广泛的实验证明，CA-CDSR 能够显著超越现有的基准，并能够有效地在表示空间中对齐项目以增强性能。

May, 2024

本文通过提出一种全新的神经社交协同排序方法，解决了信息导向和社交导向领域之间的交叉推荐问题，即如何将信息类型的建议推荐给社交网络的潜在用户，实验证明了该方法的有效性和合理性。

Jun, 2017

这篇论文研究了多领域顺序推荐（CDSR）的问题，提出了一种新的 CDSR 框架来解决负迁移问题，并使用合作博弈论来估计领域对模型性能的边际贡献，以及引入层次对比学习方法来缓解负迁移。通过在两个真实数据集中跨十个不同领域进行实验，证明了我们的模型在模型性能上优于之前的研究成果。

Nov, 2023

提出了一种基于双学习机制的跨领域用户行为建模方法，为两个相关领域建立双重的潜在嵌入，实现了在两个目标域上同时提高 CTR 预测性能的目标，实验证明了比其他最先进的模型表现更好的效率和性能。

Jun, 2021

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