跨域推荐的隐私保护框架 (P2M2-CDR) 利用多模态数据来解决数据稀疏问题，通过多模态解耦编码器对域公共和域特定嵌入进行分离，并引入隐私保护解码器进行用户隐私保护，以对抗学习为基础的域间和域内损失函数确保解耦嵌入的一致性和区分度，实验证明 P2M2-CDR 在四个真实数据集上优于其他领先的单域和跨域基准模型。

Mar, 2024

本文提出了一种新颖的基于差分隐私的两阶段隐私保存交叉领域推荐框架（PriCDR），该框架可以使用 Johnson-Lindenstrauss 变换和深度自动编码器进行数据隐私保护和数据丰富， 通过在两个基准数据集上的实验，验证了该框架的有效性和可行性。

Feb, 2022

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

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

提出了一种名为个性化用户偏好传递跨域推荐的新框架，在现有的基于特征桥的方法的基础上，使用元网络来为每个用户生成个性化的桥函数，以此实现每个用户偏好的个性化传递。使用大型真实数据集进行了实验验证新框架的有效性。

Oct, 2021

通过将扩展领域的知识转移到目标领域，提出了一种名为 Diffusion Cross-domain Recommendation (DiffCDR) 的新型 CDR 模型，其利用了扩散概率模型 (DPMs) 的概念和映射模块，在冷启动和热启动场景下，在各种 CDR 任务上超过了基线模型的效果。

Feb, 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