Pseudo Label NCF for Sparse OHC Recommendation: Dual Representation Learning and the Separability Accuracy Trade off
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
本文研究了在极端交互稀疏性下的推荐问题，通过引入伪标签目标提升排名性能，并发现可分离性与准确性之间的权衡。
2026-03-30 cs.AI cs.IR cs.LG
FedHCDR: Federated Cross-Domain Recommendation with Hypergraph Signal Decoupling
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Peng Cheng Laboratory（鹏城实验室）；Sun Yat-sen University（中山大学）；Chongqing University（重庆大学）；Shanghai Pudong Development Bank（上海浦东发展银行）
针对联邦跨域推荐中的数据异质性问题，提出FedHCDR框架，通过超图信号解耦分离领域专属与共享特征，并结合超图对比学习提升共享关系建模，在多个真实场景中显著优于现有方法。
2024-06-10 cs.IR cs.LG cs.SI
FedGRec: Dynamic Spatio-Temporal Federated Graph Learning for Secure and Efficient Cross-Border Recommendations
Macau University of Science and Technology（澳门科技大学）；Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院）
FedGRec提出一种隐私保护的联邦图学习方法，利用动态时空建模和个性化聚合，在跨境推荐中提升性能并保护数据隐私。
2025-05-15 cs.AI cs.LG
DDTCDR: Deep Dual Transfer Cross Domain Recommendation
New York University（纽约大学）
跨领域推荐系统在帮助消费者从不同的类别中识别最满意的商品方面越来越有价值。然而，以前提出的跨领域模型没有考虑用户和项目之间的双向潜在关系。此外，它们不显式地对用户和项目特征的信息进行建模，而仅利用用户评级信息进行推荐。为了解决这些问题，在本文中，我们提出了一种新的方法，跨域建议的基础上的双重学习机制，在两个相关的域之间的信息传输，在迭代的方式，直到学习过程稳定。我们开发了一种新的潜在的正交映射提取用户的偏好在多个领域，同时保持用户之间的关系在不同的潜在空间。结合自动编码器方法提取特征信息的潜在本质，提出了深度双传输跨域推荐（DDTCDR）模型，在各个领域提供推荐。我们在包含电影，书籍和音乐项目三个领域的大型数据集上测试了所提出的方法，并证明它始终显着优于几种最先进的基线和经典的迁移学习方法。
2019-10-11 cs.IR cs.LG
A Survey on Cross-domain Recommendation: Taxonomies, Methods, and Future Directions
Shanghai Jiao Tong University（上海交通大学）
传统的推荐系统面临着数据稀疏和冷启动两个长期存在的障碍，这两个问题促进了跨域推荐（Cross-Domain Recommendation，CDR）的产生和发展。CDR的核心思想是利用从其他领域收集的信息来缓解一个领域中的两个问题。在过去的十年中，许多努力已经从事跨域推荐。最近，随着深度学习和神经网络的发展，涌现出了大量的方法。然而，关于CDR的系统调查数量有限，特别是关于最新提出的方法以及它们所解决的建议场景和建议任务。在这篇调查论文中，我们首先提出了一个两级分类的跨域推荐分类不同的推荐场景和推荐任务。然后，我们介绍和总结现有的跨域推荐方法在不同的推荐场景下，以结构化的方式。我们还组织了常用的数据集。最后，我们提供了几个潜在的研究方向，这一领域的调查。
2022-07-24 cs.IR cs.LG
Bridging the Topological Divide: Dual-Branch Graph Distillation with Semantic Priors for Robust Cold-Start Recommendation
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对图协同过滤在冷启动场景的表示崩溃问题，提出双分支图知识蒸馏框架DualGCN，通过两阶段训练与动态范数重构机制，在三个数据集上实现冷启动推荐性能提升。
2026-10-14 cs.IR cs.LG
Two Is Better Than One: Dual Embeddings for Complementary Product Recommendations
Overstock.com Inc.（Overstock公司）；University of Maryland, College Park（马里兰大学帕克分校）
基于嵌入的产品推荐近年来越来越受欢迎，因为它能够轻松集成到大规模系统中，并允许实时进行最近邻搜索。这一领域的大部分研究主要集中在类似的项目建议上。另一方面，对补充项目建议的研究仍然相当不足。我们将相似项定义为在其效用方面可互换的项，将互补项定义为服务于不同目的但在相互使用时兼容的项。在本文中，我们采用了一种新的方法来寻找互补项目，利用双嵌入表示的产品。我们证明了在NLP中发现的skip-gram negative sampling（SGNS）模型的相关性概念在使用共同购买数据训练项目表示时有效地转化为互补性概念。由于购买数据的稀疏性是现实世界场景中的一个主要挑战，因此我们使用合成样本进一步增强模型以扩展覆盖范围。这使得该模型提供补充建议的项目，不共享共同购买的数据，利用其他丰富的可用数据形式，如图像，文本，点击等，我们建立了我们的方法在提高覆盖面和质量的建议对现实世界的数据为一个主要的在线零售公司的有效性。我们进一步展示了任务特定的超参数调整在训练SGNS中的重要性。我们的模型是有效的，但简单的实现，使其成为一个伟大的候选人在任何电子商务网站生成补充项目的建议。
2022-11-29 cs.IR cs.LG
Sequential Recommendation with Dual Side Neighbor-based Collaborative Relation Modeling
Shanghai Jiao Tong University（上海交通大学）；Microsoft Research Asia（微软亚洲研究院）
顺序推荐任务的目的是根据用户的历史行为预测用户对未来项目的偏好。用户行为的顺序意味着在行为历史中嵌入了丰富的序列模式，这些模式揭示了用户兴趣的潜在动态。提出了各种顺序推荐方法来建模动态用户行为。然而，大多数模型只考虑了用户自身的行为和动态，而忽略了用户和项目之间的协作关系，即，用户的相似品味或物品的相似属性。由于没有对协作关系进行建模，这些方法缺乏推荐多样性，因此可能具有更差的性能。更糟糕的是，大多数现有的方法只考虑用户端的序列，而忽略了项目端的时间动态。为了解决目前的顺序推荐模型的问题，我们提出了顺序协作推荐（SCoRe），有效地挖掘高阶协作信息，使用跨邻居关系建模，并利用用户端和项目端的历史序列，以更好地捕捉用户和项目的动态。在三个真实世界的大规模数据集上的实验表明，该模型优于强基线。
2019-11-10 cs.IR cs.LG
DGEM: A New Dual-modal Graph Embedding Method in Recommendation System
Graduate School at Shenzhen, Tsinghua University（清华大学深圳国际研究生院）；Peng Cheng Laboratory（鹏城实验室）
在当前基于深度学习的推荐系统中，一般采用嵌入的方法来完成从高维稀疏特征向量到低维稠密特征向量的转换。然而，由于嵌入层的输入向量的维数太大，嵌入层的增加显著减慢了整个神经网络的收敛速度，这在现实场景中是不可接受的。此外，随着用户与项目之间的交互增加，项目之间的关系变得更加复杂，针对序列数据提出的嵌入方法不再适用于当前现实环境中的图形数据。因此，在本文中，我们提出了双模态图嵌入方法（DGEM）来解决这些问题。DGEM包括静态和动态两种模式。我们首先构造项目图来提取图的结构，并使用不等概率的随机游走来捕获项目之间的高阶邻近度。然后我们通过Skip-Gram模型生成图嵌入向量，最后反馈给下游深度神经网络进行推荐任务。实验结果表明，DGEM能够挖掘项目间的高阶相似度，增强推荐模型的表达能力。同时，它还利用项目之间的时间依赖关系，提高了推荐性能。
2021-08-09 cs.IR cs.LG
Dual-disentangle Framework for Diversified Sequential Recommendation
针对序列推荐中用户兴趣与意图纠缠导致多样性不足的问题，提出模型无关的双解耦框架DDSRec，通过交互建模和表示学习的解耦来平衡准确性与多样性，实验验证其有效性。
2025-08-05 cs.IR
Predictive and Contrastive: Dual-Auxiliary Learning for Recommendation
自监督学习（SSL）最近在推荐方面取得了显著的成功。通过设置辅助任务（预测或对比），SSL可以在没有人工注释的情况下从原始数据中发现监督信号，这大大缓解了稀疏用户-项目交互的问题。然而，大多数基于SSL的推荐模型依赖于通用辅助任务，例如，最大化从原始交互图和扰动交互图中学习到的节点表示之间的对应关系，这些节点表示与推荐任务明显无关。因此，基于推荐数据的异构图中的社会关系和项目类别所反映的丰富语义没有得到充分利用。为了探索特定的辅助任务，我们首先定量分析了异构的交互数据，发现元路径引起的用户-项目路径的数量与交互之间存在很强的正相关关系。基于这一发现，我们设计了两个与目标任务紧密耦合的辅助任务（一个是预测任务，另一个是对比任务），将推荐与隐藏在正相关中的自我监督信号联系起来。最后，一个模型无关的双重辅助学习（DUAL）框架，统一的SSL和推荐任务的开发。在三个真实数据集上进行的大量实验表明，DUAL可以显着提高推荐，达到最先进的性能。
2022-07-23 cs.IR
Decentralized Multi-Target Cross-Domain Recommendation for Multi-Organization Collaborations
Duke University（杜克大学）；University of Minnesota-Twin Cities（明尼苏达大学双城分校）
在许多现实场景中，推荐系统（RS）由不同的组织在本地运行。如果各个组织能够完全共享他们的数据并以集中的方式执行计算，他们可能会显着提高建议的准确性。然而，多个组织之间在提高建议绩效方面的合作主要受到限制，原因是难以共享数据和模型。为了应对这一挑战，我们提出了具有多目标辅助学习（MTAL）和辅助自动编码器（AAE）的分散式多目标跨域推荐（DMTCDR）。我们的方法可以帮助多个组织以分散的方式协作提高推荐性能，而无需共享敏感资产。因此，它允许分散的组织进行协作，形成一个共同利益的社区。我们进行了大量的实验，以证明新方法可以显着优于本地训练的RS和减轻冷启动问题。
2022-11-07 cs.IR cs.LG
Multi-stage Ensemble Model for Cross-market Recommendation
Politecnico di Milano（米兰理工大学）
本文介绍了我们的团队PolimiRank为WSDM Cup 2022提供的跨市场推荐解决方案。比赛的目标是有效地利用从不同市场提取的信息，以提高两个目标市场的推荐排名准确性。我们的模型是基于属于不同市场的数据组合的多阶段方法。在第一阶段，国家的最先进的预测器被用来预测得分的用户项夫妇，这是在以下2个阶段，采用一个简单的线性组合和更强大的梯度提升决策树技术。我们队在决赛中名列第四。
2022-02-17 cs.IR cs.LG
Dual Personalization on Federated Recommendation
Jilin University（吉林大学）；University of Technology Sydney（悉尼科技大学）；Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Maryland（马里兰大学）
本文提出PFedRec框架，通过双重个性化机制在用户和物品上实现细粒度个性化，生成轻量级用户特定模型，提升联邦推荐性能并保护隐私。
2023-05-13 cs.AI cs.IR cs.LG
Cross-domain User Preference Learning for Cold-start Recommendation
DAMO Academy, Alibaba Group（阿里巴巴达摩院）
跨领域冷启动推荐是推荐系统中一个日益重要的问题。现有的工作主要集中在解决跨域用户推荐或冷启动内容推荐。然而，当一个新的领域在其早期阶段发展时，它的潜在用户类似于源领域，但交互少得多。从源域学习用户的偏好并将其转移到目标域是至关重要的，特别是在用户反馈有限的新到达的内容上。为了弥合这一差距，我们提出了一个自我训练的跨领域用户偏好学习（COUPLE）框架，针对冷启动推荐与各种语义标签，如项目的属性或视频的类型。更具体地说，我们考虑三个层次的偏好，包括用户历史，用户内容和用户组提供可靠的推荐。通过由域感知的顺序模型表示的用户历史，频率编码器被应用于用于用户内容偏好学习的底层标签。然后，提出了一个层次记忆树与正交节点表示，以进一步推广跨域的用户组偏好。整个框架采用先进先出（FIFO）队列以对比的方式更新，以获得更独特的表示。在两个数据集上的大量实验证明了COUPLE在用户和内容冷启动情况下的效率。通过部署一周的在线A/B测试，我们发现COUPLE的点击率（CTR）优于淘宝APP上使用的其他基线。目前该方法已在线服务于跨域冷微视频推荐。
2021-12-07 cs.IR cs.LG
Modeling Dual Period-Varying Preferences for Takeaway Recommendation
针对外卖推荐中店铺-餐食双重偏好与日内时段偏好变化的挑战，提出DPVP模型，通过双重交互感知模块、时间分解模块及时序门控机制建模偏好，实验效果优于SOTA，已在美团上线提升GMV 0.70%。
2023-06-16 cs.IR
Behavior Importance-Aware Graph Neural Architecture Search for Cross-Domain Recommendation
Tencent（腾讯）
本文提出BiGNAS框架，通过跨域定制超网络和图行为重要性感知器联合优化GNN架构与源域行为数据重要性，在多个基准及工业数据集上取得优于现有方法的跨域推荐效果。
2025-03-11 cs.IR cs.LG
Pre-training Graph Neural Network for Cross Domain Recommendation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Sydney（悉尼大学）
推荐系统预测用户对项目的潜在兴趣，其核心是学习用户/项目嵌入。然而，它遭受的数据稀疏性问题，跨域的建议可以缓解。然而，大多数现有的工作要么共同学习源域和目标领域模型，或需要侧特征。然而，联合训练和侧特征会影响目标域上的预测，因为学习的嵌入由包含偏差信息的源域主导。受图表示学习中预训练的当代艺术的启发，我们提出了一个用于跨域推荐的预训练和微调图。提出了一种新的用于跨域推荐的预训练图神经网络（PCRec），它采用了图编码器的对比自监督预训练。然后，我们将预先训练好的图编码器用于初始化目标域上的节点嵌入，这有利于单域推荐系统在目标域上的微调。实验结果证明了PCRec的优越性。详细的分析验证了PCRec在传递信息的同时避免源域偏差的优越性。
2021-11-16 cs.IR cs.LG
Improving Cross-domain Recommendation through Probabilistic Cluster-level Latent Factor Model--Extended Version
Beijing University of Posts and Telecommunications（北京邮电大学）
跨领域推荐通过将多个领域的评分数据集中在一起来传递用户行为模式，以缓解单一评分领域中出现的稀疏性问题。然而，以前的模型只假设多个领域共享一个潜在的共同评级模式的基础上的用户项目的共同聚类。为了捕捉不同领域之间的差异，我们提出了一种新的概率统计等级潜在因子（PCLF）模型，以提高跨域推荐性能。在多个真实数据集上的实验表明，我们提出的模型在跨域推荐任务中的性能优于现有的方法。
2014-09-24 cs.IR cs.LG stat.ML
Cross-attention Secretly Performs Orthogonal Alignment in Recommendation Models
Meta
该研究揭示了推荐模型中交叉注意力隐式执行正交对齐机制，发现其能自然产生并改善缩放定律，在超300次实验中提升性能，为多模态参数高效缩放提供了新方向。
2025-10-10 cs.IR cs.LG
Disentangling Past-Future Modeling in Sequential Recommendation via Dual Networks
顺序推荐（SR）是个性化推荐系统的重要组成部分，因为它可以从用户的实时增长行为中捕获动态的、多样化的偏好。与标准的自回归训练策略不同，未来的数据（在训练过程中也可用）已被用于促进模型训练，因为它提供了关于用户当前兴趣的更丰富的信号，并可用于提高推荐质量。然而，这些方法存在严重的训练-推理间隙，即，在训练时，过去和未来的上下文都由相同的编码器建模，而在推断期间仅历史行为可用。这种差异导致潜在的性能下降。为了缓解训练-推理的差距，我们提出了一个新的框架DualRec，它通过一个新的双网络实现了过去-未来的解纠缠和过去-未来的相互增强。具体来说，利用双重网络结构来分别对过去和未来上下文进行建模。双向知识转移机制增强了双网络的知识学习能力。在四个真实数据集上的大量实验证明了我们的方法优于基线方法。此外，我们通过使用RNN，Transformer和filter-MLP作为主干来实例化DualRec的兼容性。进一步的实证分析验证了在我们的DualRec框架下建模未来上下文的高效用。DualRec的代码可在https://github.com/zhy99426/DualRec上公开获得。
2023-01-11 cs.IR
Disparity-preserved Deep Cross-platform Association for Cross-platform Video Recommendation
跨平台推荐旨在通过关联来自不同平台的信息来提高推荐的准确性。现有的跨平台推荐方法假设所有跨平台信息彼此一致并且可以对齐。然而，仍然存在两个未解决的挑战：i）由于平台特定的差异，跨平台关联中存在不一致性，以及ii）来自不同平台的数据可能具有不同的语义粒度。在本文中，我们提出了一个跨平台的视频推荐，即跨平台的关联模型，差异保留的深度跨平台关联（DCA），考虑了平台特定的差异和粒度差异。所提出的DCA模型采用了部分连接的多模态自动编码器，该编码器能够显式地捕获特定于平台的信息，并利用非线性映射函数来处理粒度差异。然后，我们提出了一个跨平台的视频推荐方法的基础上提出的DCA模型。在真实数据集上对我们的跨平台推荐框架进行了大量实验，结果表明，所提出的DCA模型在各种评价指标方面明显优于现有的跨平台推荐方法。
2019-11-12 cs.IR
Unified Dual-Intent Translation for Joint Modeling of Search and Recommendation
本文提出统一双意图翻译模型UDITSR，利用搜索查询监督推荐中的需求意图生成，并通过双意图翻译传播机制在同一语义空间建模内在意图、需求意图与交互物品的关系，在搜索和推荐任务上均超越SOTA基线。
2024-07-01 cs.IR
Dual-Channel Multiplex Graph Neural Networks for Recommendation
Faculty of Information Science and Engineering, Ocean University of China（信息科学与工程学院，中国海洋大学）；College of Computer Science and Engineering, Shandong University of Science and Technology（计算机科学与工程学院，山东科技大学）；Department of Computer Science and Engineering, Shanghai Jiao Tong University（计算机科学与工程系，上海交通大学）；Department of Computer Science, The University of Hong Kong（计算机科学系，香港大学）
针对多重交互关系建模不足及行为模式内关系影响被忽略的问题，提出双通道多重图神经网络（DCMGNN）框架，通过显式行为模式学习与关系链感知编码捕捉复杂交互，在三个数据集上Recall@10和NDCG@10平均提升10.06%和12.15%。
2025-06-25 cs.IR cs.LG
CADRL: Category-aware Dual-agent Reinforcement Learning for Explainable Recommendations over Knowledge Graphs
针对知识图谱推荐中可解释路径生成不足与长路径遍历效率低的问题，提出类别感知双智能体强化学习模型CADRL，通过类别感知门控图神经网络和双智能体框架提升推荐效果与效率。
2024-08-06 cs.IR
Domain Disentanglement with Interpolative Data Augmentation for Dual-Target Cross-Domain Recommendation
针对双目标跨域推荐中增强表示生成与信息解耦的挑战，提出DIDA-CDR框架，采用可插值数据增强和解耦模块，在五个真实数据集上显著优于现有方法。
2023-07-26 cs.IR
Dual-Diffusional Generative Fashion Recommendation
Singapore Management University（新加坡国立大学）；Shandong University（山东大学）
本文提出DualFashion，一种联合建模图像和文本模态的双扩散生成式时尚推荐架构，通过结构化属性级描述和视觉装扮信息共同作为条件信号，实现个性化和可解释的推荐，同时引入文本增强微调策略提升生成多样性与跨模态知识迁移能力。
2026-05-17 cs.IR cs.MM
RankGraph: Unified Heterogeneous Graph Learning for Cross-Domain Recommendation
Meta MRS
针对跨域推荐中多域细粒度实体关系整合难题，提出可扩展图学习框架RankGraph，采用GPU加速GNN与对比学习，将图预训练表示融入推荐基础模型，在线A/B测试实现点击率与转化率提升。
2025-09-03 cs.IR cs.LG
Causal Deconfounding via Confounder Disentanglement for Dual-Target Cross-Domain Recommendation
针对双目标跨域推荐中混淆因子干扰用户偏好捕捉的问题，提出基于混淆因子解耦的因果去混淆框架CD2CDR，通过解耦单域与跨域混淆因子、结合后门调整去混淆，在7个真实数据集上取得优于SOTA的效果。
2025-05-22 cs.IR
Group-Aware Interest Disentangled Dual-Training for Personalized Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce AI Research（赛富时人工智能研究院）；Walmart Global Tech（沃尔玛全球技术）
本文提出IGRec模型，通过自门控解耦用户兴趣、Gumbel-Softmax聚合生成群体表示，并采用双训练评分预测，利用群体信息缓解数据稀疏和冷启动问题，在三个数据集上验证了有效性。
2023-11-16 cs.IR cs.LG
DualVAE: Dual Disentangled Variational AutoEncoder for Recommendation
针对协同过滤中纠缠表示忽略用户与物品多样匹配关系的问题，提出 DualVAE 模型，结合注意力感知双解耦机制与变分推断学习解耦表示，并引入邻域增强约束与对比机制提升表示质量，在多个基准上显著超越基线且具备可解释性。
2024-01-10 cs.IR
CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network
Wuhan University（武汉大学）；Alibaba Group（阿里巴巴集团）；Nanyang Technological University（南洋理工大学）
在一个大型的推荐系统中，产品（或项目）可以在许多不同的类别或领域。给定两个相关域（例如，书籍和电影），用户可以与一个域中的项目进行交互，但不能与另一个域中的项目进行交互。对于后者，这些用户被认为是冷启动用户。如何有效地将基于用户交互的偏好从一个域转移到另一个相关域，是跨域推荐的关键问题。受基于评论的推荐技术的启发，我们提出了一种基于评论的方面级用户偏好迁移模型。为此，我们提出了一个跨域推荐框架，通过方面传输网络的冷启动用户（命名为CATN）。CATN被设计为从他们的评论文档中提取每个用户和每个项目的多个方面，并使用注意力机制学习跨域的方面相关性。此外，我们进一步利用志同道合的用户的辅助评论，以提高用户的方面表示。然后，利用端到端的优化框架，以加强我们的模型的鲁棒性。在真实世界的数据集上，建议的CATN在评级预测精度方面明显优于SOTA模型。进一步的分析表明，我们的模型是能够揭示用户方面的连接，在一个精细的粒度级别的域，使建议可解释。
2020-05-23 cs.IR cs.LG
Tokens are All You Need: Dual-purpose Semantic IDs for Achieving LLM-Level I/O Efficiency in recommendation systems
Google（谷歌）；Google Deepmind（谷歌DeepMind）
研究针对大规模推荐系统的“内存墙”瓶颈，受计算机视觉数据压缩启发，提出双用途语义ID，用分层量化将连续嵌入压缩为离散语义ID执行协作身份和内容重建角色，经实验验证该方法能有效减少系统开销和数据占用，实现高效推荐。
2026-07-29 cs.AI cs.IR cs.LG
DBRec: Dual-Bridging Recommendation via Discovering Latent Groups
The University of Queensland（昆士兰大学）；National University of Defense Technology（国防科技大学）；Central Queensland University（中央昆士兰大学）；Chongqing Meiqi Industry Co.（重庆美琪实业有限公司）；Aliexpress, Alibaba group（阿里巴巴集团全球速卖通）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
在推荐系统中，用户-项目交互数据通常是稀疏的，并且不足以学习用于推荐的全面的用户/项目表示。为了解决这个问题，我们提出了一种新的双桥接推荐模型（DBRec）。DBRec与协同过滤同时执行潜在用户/项目组发现，并将组信息与用户/项目交互以桥接相似的用户/项目。因此，在DBRec中，用户对未观察到的项目的偏好可以由同一组中对该项目进行评级的用户或与未观察到的项目共享同一组的用户评级的项目来桥接。此外，我们建议共同学习用户-用户组（项目-项目组）的层次结构，这样我们就可以有效地发现潜在的群体和学习紧凑的用户/项目表示。我们联合集成协同过滤，潜在群体发现和层次建模到一个统一的框架，使所有的模型参数可以学习的目标函数的优化。我们用两个真实的数据集验证了该模型的有效性，并通过大量的实验证明了其相对于最先进的推荐模型的优势。
2019-10-16 cs.IR cs.LG stat.ML
DIIT: A Domain-Invariant Information Transfer Method for Industrial Cross-Domain Recommendation
OPPO
本文提出DIIT，一种用于工业跨域推荐的端到端域不变信息迁移方法，通过设计双提取器从源域模型提取域不变信息并迁移至目标域模型，解决了工业环境中现有CDR方法低效问题，实验验证了其有效性与效率。
2024-09-29 cs.IR cs.LG
Dual Adversarial Variational Embedding for Robust Recommendation
鲁棒推荐的目的是从噪声数据中获取用户的真实偏好，目前已经提出了两种方法。一种是基于噪声注入，另一种是采用生成模型变分自动编码器（VAE）。然而，现有的工作仍然面临两个挑战。首先，基于噪声注入的方法通常从预先给定的固定噪声分布中提取噪声，而在现实世界中，由于个人行为和项目使用模式，不同用户和项目的噪声分布可能彼此不同。第二，基于VAE的模型表达能力不足以捕捉真实的偏好，因为VAE通常产生单一模态的嵌入空间，而在现实世界中，用户-项目交互通常表现出多模态的用户偏好分布。在本文中，我们提出了一种新的模型称为双对抗变分嵌入（DAVE）的鲁棒推荐，它可以提供个性化的降噪为不同的用户和项目，并捕捉多模态的嵌入空间，通过结合VAE和对抗训练的优点之间引入的辅助鉴别器和变分推理网络。在真实数据集上进行的大量实验验证了DAVE在鲁棒推荐方面的有效性。
2021-06-30 cs.IR
Dual-interest Factorization-heads Attention for Sequential Recommendation
准确的用户兴趣建模对于推荐场景至关重要。一种有效的解决方案是依赖于点击行为的顺序推荐，但这在视频馈送推荐中并不优雅，其中用户在接收流内容时是被动的，并且返回跳过或不跳过行为。在这里，跳过和不跳过行为可以分别被视为负反馈和正反馈。由于正反馈和负反馈的混合，捕获行为序列的过渡模式具有挑战性。为此，FeedRec开发了一个共享的普通Transformer，这可能是不优雅的，因为多头注意力的头部交互不考虑不同类型的反馈。本文提出了一种基于双兴趣分解头的顺序推荐注意力算法（简称DFAR），该算法由反馈感知编码层、双兴趣分解层和预测层组成。在反馈感知编码层，我们首先假设多头注意力中的每一个头都能捕捉到特定的反馈关系。在此基础上，我们进一步提出了因子化头注意，它可以屏蔽特定的头交互并注入反馈信息，从而将不同类型的反馈之间的关系因子化。此外，我们提出了一个双重利益解纠缠层，在对它们的表示进行解纠缠之前将积极和消极的利益解耦。最后，我们进化的积极和消极的利益，相应的塔的输出是由BPR损失的对比。两个真实世界的数据集上的实验表明，我们提出的方法对国家的最先进的基线的优越性。进一步的消融研究和可视化也维持了其有效性。我们在这里发布源代码：https://github.com/tsinghua-fib-lab/WWW2023-DFAR。
2023-02-10 cs.IR
Graph Factorization Machines for Cross-Domain Recommendation
最近，图神经网络（GNNs）已成功地应用于推荐系统。在推荐系统中，用户对一个项目的反馈行为通常是多个因素同时作用的结果。然而，一个长期存在的挑战是如何有效地聚合GNN中的多阶相互作用。在本文中，我们提出了一个图因子分解机（GFM），它利用流行的因子分解机聚合多阶的相互作用，从邻居的推荐。同时，跨域推荐也成为解决推荐系统中数据稀疏性问题的一种可行方法。然而，大多数现有的跨域推荐方法可能会失败时，面对图结构的数据。为了解决这个问题，我们提出了一个通用的跨域推荐框架，它不仅可以应用于建议的GFM，也可以应用于其他GNN模型。我们在四对数据集上进行实验，以证明GFM的优越性能。此外，基于一般跨域推荐实验，我们还证明了我们的跨域框架不仅可以为GFM的跨域推荐任务做出贡献，而且对于各种现有GNN模型具有通用性和可扩展性。
2020-07-12 cs.IR
DARec: Deep Domain Adaptation for Cross-Domain Recommendation via Transferring Rating Patterns
University of New South Wales（新南威尔士大学）
跨领域推荐一直是推荐系统研究的热点之一。最近，已经提出了各种深度模型来跨领域转移学习的知识，但是它们中的大多数集中于从辅助内容中提取抽象的可转移特征，例如，图像和评论文本，而评级矩阵本身的模式很少被触及。在这项工作中，受领域自适应概念的启发，我们提出了一个深度领域自适应模型（DARec），该模型能够从评级矩阵{ \em only}中提取和传输模式，而不依赖于任何辅助信息。我们在公共数据集上实证证明，我们的方法在几种最先进的跨域推荐模型中达到了最佳性能。
2019-05-26 cs.IR cs.LG stat.ML
BLADE: A Behavior-Level Data Augmentation Framework with Dual Fusion Modeling for Multi-Behavior Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）；iFLYTEK Co., Ltd.（科大讯飞股份有限公司）
BLADE通过双融合建模和行为级数据增强，提升多行为序列推荐的性能和泛化能力。
2025-12-15 cs.IR
USD: A User-Intent-Driven Sampling and Dual-Debiasing Framework for Large-Scale Homepage Recommendations
针对首页推荐中曝光偏差导致的伪负样本和伪正样本问题，提出用户意图驱动的采样与双重去偏统一框架，在淘宝首页营销板块使UCTR提升35.4%和14.5%。
2025-07-10 cs.IR
Beyond Noisy Signals: Dual-Level Denoising for Multi-modal Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）
研究多模态序列推荐中的双重噪声困境，提出DDMSR框架，从特征拓扑和序列频率角度净化信号，设计基于图的特征去噪与频域序列去噪模块，纳入多模态对比对齐目标，实验证明该框架性能优于基线。
2026-08-17 cs.IR
Dual-Phase Playtime-guided Recommendation: Interest Intensity Exploration and Multimodal Random Walks
Harbin Institute of Technology（哈尔滨工业大学）；Nanyang Technological University（南洋理工大学）
针对游戏推荐中游戏时长未被充分利用及多模态信息潜力被忽视的问题，提出DP2Rec模型，通过双阶段模块联合优化准确性与多样性，在真实数据集上表现更优。
2025-08-09 cs.AI cs.IR
DOS: Dual-Flow Orthogonal Semantic IDs for Recommendation in Meituan
Meituan（美团）
DOS通过双流正交语义ID方法提升推荐系统效果，有效解决语义空间对齐与量化损失问题。
2026-02-04 cs.IR
DARTS: A Dual-View Attack Framework for Targeted Manipulation in Federated Sequential Recommendation
本文针对联邦序列推荐中现有定向攻击效果有限的问题，提出双视角攻击框架DV-FSR，结合采样显式策略与对比学习隐式梯度策略协同攻击，并设计配套防御机制，实验验证了其有效性。
2025-07-02 cs.IR
GraphRAG-Induced Dual Knowledge Structure Graphs for Personalized Learning Path Recommendation
提出KnowLP方法，利用GraphRAG构建包含先决和相似关系的双知识结构图，结合判别学习驱动的强化学习模块，解决学习路径推荐中依赖先决关系导致的泛化性差和路径阻塞问题，在三个基准数据集上达到最优性能并提供可解释推理。
2025-08-06 cs.IR
DALI: LLM-Agent Enhanced Dual-Stream Adaptive Leadership Identification for Group Recommendations
Chongqing University（重庆大学）
DALI通过结合大语言模型的符号推理能力与神经网络表示学习，解决群体推荐中区分领导主导与协作群体的问题，提升推荐准确性。
2026-03-20 cs.IR
A Model of Two Tales: Dual Transfer Learning Framework for Improved Long-tail Item Recommendation
在推荐系统中，项目的长尾分布是非常普遍的。它会严重损害模型在尾项上的性能。为了提高尾项推荐，我们进行研究，从头部项目的知识转移到尾部项目，利用丰富的用户反馈的头部项目和头部和尾部项目之间的语义连接。具体来说，我们提出了一种新的双重迁移学习框架，共同学习的知识转移从模型级和项目级：1。模型级知识传递建立了模型参数从Few-Shot到多模型的通用元映射。它捕获模型级的隐式数据增强，以改善尾项的表示学习。2.项级转移通过项级特征连接头项和尾项，以确保从头项到尾项的元映射的平滑转移。这两种类型的转移相结合，以确保从头部项目学习的知识可以很好地应用于尾项表示学习在长尾分布设置。通过在两个基准数据集上的大量实验，结果表明，我们提出的双迁移学习框架在命中率和NDCG方面明显优于其他最先进的尾项推荐方法。同样令人鼓舞的是，我们的框架进一步提高了头部项目和整体性能，以及尾部项目的收益。
2021-03-07 cs.IR
Dual-space Hierarchical Learning for Goal-guided Conversational Recommendation
提出双空间层次学习（DHL），利用多层次目标序列及层次关系，通过表示空间与优化空间的双重学习，提升对话推荐系统引导对话至推荐场景的效果。
2023-12-30 cs.IR
Enhancing Cross-Market Recommendation System with Graph Isomorphism Networks: A Novel Approach to Personalized User Experience
Istanbul Technical University（伊斯坦布尔理工大学）；Gazi University（加齐大学）
针对跨市场推荐系统面临的市场特异性和数据稀疏性问题，提出融合图同构网络的CrossGR模型，在NDCG@10、HR@10指标上优于现有基准，鲁棒性强，为跨市场推荐提供新方向。
2024-09-12 cs.AI cs.IR cs.LG
DGTN: Dual-channel Graph Transition Network for Session-based Recommendation
University of Electronic Science and Technology of China（电子科技大学）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Institute of Automation and Artificial Intelligence Research, Chinese Academy of Sciences（中国科学院自动化与人工智能研究所）
基于会话的推荐的任务是根据匿名会话预测用户的行为。最近的研究主要将目标会话建模为序列或图，以捕获其中的项目转换，忽略了由其他用户生成的不同会话中的项目之间的复杂转换。这些项目转换包括潜在的协作信息，并反映了类似的行为模式，我们认为这可能有助于为目标会话提供推荐。在本文中，我们提出了一种新的方法，即双通道图转换网络（DGTN），不仅在目标会话，而且邻居会话的项目转换模型。具体来说，我们将目标会话及其邻居（类似）会话集成到一个图中。然后通过信道感知传播将过渡信号显式地注入到嵌入中。在真实数据集上的实验表明，DGTN优于其他最先进的方法。进一步的分析验证了双通道项目迁移模型的合理性，为基于会话的推荐提供了一个潜在的发展方向。
2020-09-21 cs.AI cs.IR
JSCN: Joint Spectral Convolutional Network for Cross Domain Recommendation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Florida State University（佛罗里达州立大学）；Jilin University（吉林大学）
跨域推荐可以缓解推荐系统中的数据稀疏性问题。为了将知识从一个域转移到另一个域，可以利用邻域信息或学习直接映射函数。然而，现有的方法都忽略了跨域推荐区域的高阶连通性信息，并且存在域不兼容问题。在本文中，我们提出了一个\textbf{J}点\textbf{S}频谱\textbf{C}卷积\textbf{N}网络（JSCN）的跨域推荐。JSCN将同时在不同的图上操作多层谱卷积，并与域自适应用户映射模块联合学习域不变的用户表示。因此，高阶全面的连接信息可以提取的频谱卷积和信息可以跨域传递域不变的用户映射。领域自适应用户映射模块可以帮助不兼容的领域相互传递知识。在$24$ Amazon评分数据集上进行的大量实验表明，JSCN在跨域推荐中的有效性，与现有方法相比，$9.2\%$在召回率上有所提高，$36.4\%$在MAP上有所提高.我们的代码可在线获取~ \footnote{https://github.com/JimLiu96/JSCN}。
2019-10-18 cs.IR cs.LG stat.ML
Mutual Harmony: Sequential Recommendation with Dual Contrastive Network
针对现有序列推荐中随机掩码导致信号不可靠及以用户为中心忽略物品提供者的问题，提出双对比网络（DCN），通过双表示和双兴趣对比学习实现用户与物品提供者的相互协调，生成真实自监督信号，在四个基准数据集上验证了有效性。
2023-09-15 cs.IR
Disagreement as Signals: Dual-view Calibration for Sequential Recommendation Denoising
School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院）；University of Queensland（昆士兰大学）
本文提出DC4SR框架，通过双视角校准提升顺序推荐的去噪效果，结合语义先验和模型后验分布，增强对用户兴趣演变的适应性。
2026-04-27 cs.IR
