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

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

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

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

本文提出了一种名为 MAGRec 的方法，通过图神经网络在多域序列用户交互中进行高效学习，利用时间内和跨领域交互作为上下文信息进行学习，以解决多个域的负面知识转移问题并改善整体表示效果。实验表明，在不同场景下 MAGRec 一直优于现有的最先进方法。

Feb, 2023

提出了一种基于生成对抗网络（GANs）、变分自动编码器（VAEs）和 Cycle-Consistency（CC）相结合的 D2D-TM 模型，用于解决多领域推荐系统在提取同构和散发特征方面遇到的问题，并证明其在性能优化方面超过了现有技术。

Dec, 2018