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

通过部署多个跨领域人工智能代理，本研究介绍了一种新的跨领域知识发现方法，这些代理分别专门负责不同的知识领域，通过统一框架协作合作，合成并提供超越单领域专业知识限制的全面洞察力，从而增强知识发现和决策过程。通过对不同多代理工作流场景的比较分析，评估其在效率、准确性和知识整合广度方面的表现，本研究通过一系列涉及复杂的跨学科查询的实验结果展示了领域专用多人工智能代理系统在识别和弥合知识差距方面的卓越能力，强调了合作人工智能在推动创新方面的重要性，并为基于人工智能的跨学科研究和应用的未来发展奠定了基础。我们的方法在一小部分试验数据上进行了评估，并展示了我们预期的趋势，如果增加数据量并对代理进行定制化训练，预期趋势将更加平滑。

Apr, 2024

本研究采用知识图谱来优化推荐算法，提供更加个性化的推荐解决方案，并在实验中验证了其显著的性能优势，对于领域（如电影推荐）的个性化推荐具有参考价值。

Jan, 2021

本文针对现代深度学习神经网络模型需要大量手动标注数据以及从大量文本数据中构建领域特定知识图谱的困难问题，提出一个将知识图谱自适应和重新学习应用于不需要手动注释训练数据的领域适应性构建的综合框架，并引入了一种新的迭代训练策略来促进领域特定命名实体和三元组的发现和抽取，实验结果表明，该框架可以有效执行领域适应和构建知识图谱的任务。

Nov, 2022

本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

Feb, 2019

我们提出了一个名为 MuDoK 的框架，实现了多领域协同预训练和高效前缀提示调整，以服务于推荐和文本理解等多样化的下游任务。我们构建了一个新的多领域知识图谱预训练基准，名为 KPI，用于评估我们的方法，并开源以供后续研究。实验结果表明，我们的框架在异构下游任务中带来了显著的性能提升，同时具有普适性、高效性和可迁移性。

May, 2024

通过使用知识图谱增强任务特定的训练程序，我们提出了 KnowledgeDA 作为一个统一而低代码的领域语言模型开发服务，实现了两个领域的语言模型学习，并进行了五项领域特定 NLP 任务的实验证明。

Dec, 2022

本文探讨了如何设计系统来增强终端用户的跨领域探索能力，并开发了一种探索性搜索系统，其中终端用户可以从论文摘要的核心部分中选择感兴趣的内容，并检索与用户选择的核心方面高度相似但在领域方面不同的论文，进一步地帮助用户了解领域集群中的微妙差异，我们通过与科学家的案例研究发现了系统旨在促进跨领域探索和灵感的机会和设计影响。

Jun, 2022

通过跨领域知识转移来减少领域知识不足的影响，结合半监督学习及大量无监督数据，提高机器学习任务的性能以实现自动决策

Apr, 2023

基于多实体知识传递的 MKT 框架在电子商务平台中的推荐内容上，通过预训练和微调的方式解决了跨实体推荐的问题，并通过离线和在线实验证明了其优越性。

Feb, 2024