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

为有效实现跨领域知识传递，本研究从因果学的角度出发，提出一种分层子空间解缠方法（HJID），以探索跨领域联合分布的联合识别性，并保留特定领域行为和域共享要素。实验证明，HJID 在一系列强相关和弱相关跨领域推荐任务中优于现有方法。

Apr, 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

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

基于评论文本的超几何 CDR 方法用于建模用户 - 商品关系，此方法通过层次感知的嵌入和领域对齐方案解决了欧几里得嵌入空间的局限性，并通过实验证实了其在效率、鲁棒性和可扩展性方面与现有方法的比较优势。

Mar, 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

本研究介绍了一种名为 HCTS 的新框架，用于捕捉不同领域的独特特征，实现领域间的高效知识传递，并通过将用户和物品分别嵌入不同具有可调节曲率的双曲流形来预测，从而改善目标领域用户和物品的表示。实验结果表明，双曲流形对于跨领域推荐任务是一种有潜力的替代方案。

Jun, 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

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