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

本文介绍了一种基于元学习的跨域推荐系统解决方案，采用 transfer-meta 架构，可以在感知用户洞察和推荐推广等方面获得更好的性能表现。

May, 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

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

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

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

提出一种面向冷启动用户的内容为基础的跨领域推荐方法，利用极端多类分类的形式来预测用户对物品的评分标签，构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络，实现了不依赖用户和物品重叠特征，不同领域之间的推荐， 在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。

Mar, 2018

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

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