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

本研究提出了 Collaborative Filtering with Attribution Alignment model (CFAA) 作为一种跨领域推荐解决方案，该方法通过联合挖掘用户评论、one-hot ID 和多次历史评分来生成具有表现力的用户和物品嵌入，从而显著提高了在 RNCDR 设置下的推荐性能。

Feb, 2022

这篇论文研究了多领域顺序推荐（CDSR）的问题，提出了一种新的 CDSR 框架来解决负迁移问题，并使用合作博弈论来估计领域对模型性能的边际贡献，以及引入层次对比学习方法来缓解负迁移。通过在两个真实数据集中跨十个不同领域进行实验，证明了我们的模型在模型性能上优于之前的研究成果。

Nov, 2023

跨领域顺序推荐 (CDSR) 旨在挖掘和转移用户在不同领域的顺序偏好以减轻长期存在的冷启动问题。传统的 CDSR 模型通过用户和物品建模来捕捉协作信息，而忽视了有价值的语义信息。最近，大型语言模型 (LLM) 展现出强大的语义推理能力，激发了我们将其引入以更好地捕捉语义信息。然而，由于无缝信息集成和领域特定生成两个关键问题，将 LLM 引入到 CDSR 中并非易事。为此，我们提出了一种名为 URLLM 的新型框架，旨在通过同时探索用户检索方法和 LLM 上的领域基础来改善 CDSR 性能。具体而言，我们首先提出了一种新颖的双图顺序模型来捕捉多样的信息，在此基础上采用了一种对齐和对比学习方法来促进领域知识传输。随后，我们采用了一种用户检索 - 生成模型来将结构信息无缝集成到 LLM 中，充分利用其涌现的推理能力。此外，我们提出了一种领域特定的策略和一个改进模块，以防止领域外生成。在亚马逊上进行的广泛实验证明了 URLLM 与最先进基线系统相比在信息集成和领域特定生成能力方面的优势。我们的代码可在此 https URL 找到。

Jun, 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

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

本文提出一种基于双重动态图建模和混合度量训练的跨域顺序推荐框架 DDGHM，以解决现有跨域推荐模型由于数据稀疏和短序列长度引起的性能瓶颈。通过实验验证，DDGHM 有利于提高顺序推荐性能。

Sep, 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