DuRecDial 2.0: A Bilingual Parallel Corpus for Conversational Recommendation
Harbin Institute of Technology（哈尔滨工业大学）；Baidu Inc.（百度公司）
在本文中，我们提供了一个双语并行人对人的推荐对话数据集（DuRecDial 2.0），使研究人员能够探索具有挑战性的任务，多语言和跨语言的会话推荐。DuRecDial 2.0与现有会话式推荐数据集的区别在于，DuRecDial 2.0中的数据项（Profile，Goal，Knowledge，Context，Response）使用两种语言进行注释，英语和中文，而其他数据集则使用单一语言设置。我们收集了8.2k个跨英语和汉语的对话（共16.5k个对话和255k个话语），这些对话由众包工作人员进行注释，并具有严格的质量控制程序。然后，我们在DuRecDial 2.0上构建单语，多语言和跨语言会话推荐基线。实验结果表明，使用额外的英语数据可以带来性能的改善，中文会话推荐，显示DuRecDial 2.0的好处。最后，这个数据集提供了一个具有挑战性的测试平台，为未来的研究单语，多语言和跨语言的会话推荐。
2021-09-18 cs.AI cs.CL
Enhancing CTR Prediction in Recommendation Domain with Search Query Representation
McGill University（麦吉尔大学）
针对推荐领域现有方法未充分利用搜索域用户偏好、忽略跨域意图偏移的问题，提出融合搜索查询嵌入、对比学习与扩散模型的CTR预测框架，实验效果优于当前最优模型。
2024-10-28 cs.AI 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
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
Cross-Domain Recommendation: Challenges, Progress, and Prospects
Ant Group（蚂蚁集团）；Macquarie University（麦考瑞大学）
为了解决推荐系统（RS）中长期存在的数据稀疏性问题，提出了跨域推荐（CDR）方法，利用较丰富域中相对丰富的信息来提高稀疏域中的推荐性能。虽然CDR近年来得到了广泛的研究，但缺乏对现有CDR方法的系统综述。为了填补这一空白，在本文中，我们提供了一个全面的审查现有的CDR方法，包括挑战，研究进展和未来的发展方向。具体而言，我们首先总结了现有的CDR方法分为四种类型，包括单目标CDR，多域推荐，双目标CDR，和多目标CDR。然后，我们提出了这些CDR方法的定义和挑战。接下来，我们提出了一个全面的分类和新的分类法，这些方法和报告的研究进展。最后，我们分享了CDR中几个有前途的研究方向。
2021-03-02 cs.AI cs.IR cs.LG
Knowledge Enhanced Multi-Domain Recommendations in an AI Assistant Application
Amazon Alexa AI（亚马逊Alexa人工智能部门）；University of Southern California（南加利福尼亚大学）
本研究在AI助手应用中统一多领域推荐与知识图谱增强，利用跨领域交互和外部知识提升新领域推荐效果，实验证明该方法在整体及新用户推荐上均有显著改进。
2025-03-25 cs.IR cs.LG
X-Cross: Dynamic Integration of Language Models for Cross-Domain Sequential Recommendation
Ben-Gurion University of the Negev（本· Gurion 军事大学）
本文提出X-Cross模型，通过动态集成多个基于LoRA微调的领域特定语言模型实现跨域序列推荐，在仅用25%额外参数下性能媲美全量微调，且所需微调数据减少50%-75%。
2025-04-29 cs.AI cs.CL cs.IR
Cross-domain recommendation via user interest alignment
Tianjin University（天津大学）；Lenovo Research（联想研究院）；Hangzhou Dianzi University（杭州电子科技大学）
跨领域推荐旨在利用多个领域的知识来缓解传统推荐系统中的数据稀疏和冷启动问题。一种流行的范例是采用重叠的用户表示来建立域连接，从而在所有场景中提高推荐性能。然而，这种方法的一般做法是在每个域中分别训练用户嵌入，然后以简单的方式聚合它们，通常忽略用户和项目之间潜在的跨域相似性。此外，考虑到它们的训练目标是面向推荐任务的，而没有特定的正则化，优化的嵌入忽略了用户视图之间的兴趣对齐，甚至违反了用户的原始兴趣分布。为了解决这些挑战，我们提出了一种新的跨域推荐框架，即COAST，通过感知实体之间的跨域相似性和对齐用户兴趣来提高双域推荐性能。具体来说，我们首先构建了一个统一的跨域异构图，并重新定义了图卷积网络的消息传递机制，以捕获跨域用户和项目的高阶相似性。针对用户兴趣对齐，我们开发了两个更细粒度的角度，用户-用户和用户-项目兴趣不变性跨领域凭借丰富的无监督和语义信号的深刻见解。我们对多个任务进行了深入的实验，这些任务是从两个大型推荐数据集构建的。大量的结果表明，COAST一致和显着优于国家的最先进的跨域推荐算法，以及经典的单域推荐方法。
2023-01-26 cs.AI cs.IR
GReS: Graphical Cross-domain Recommendation for Supply Chain Platform
Taiyuan University of Technology（太原理工大学）；Renmin University of China（中国人民大学）；Meituan（美团）；Zhejiang Gongshang University（浙江工商大学）
供应链平台（SCP）为下游行业提供了大量的原材料。与传统电子商务平台相比，由于用户兴趣有限，SCP中的数据更加稀疏。为了解决数据稀疏性问题，可以应用跨域推荐（CDR），其利用源域信息提高目标域的推荐性能。然而，将CDR直接应用于SCP，忽略了SCP中商品的层次结构，从而降低了推荐性能。为了利用这一特性，本文以餐饮平台为例，提出了一种图形化的跨域推荐模型GReS。该模型首先构建一个树形图来表示菜肴和食材的不同节点的层次结构，然后应用我们提出的结合GCN和BERT模型的Tree2vec方法嵌入图中进行推荐。商业数据集上的实验结果表明，GReS显着优于国家的最先进的方法在跨域推荐供应链平台。
2022-09-02 cs.AI cs.IR
Reinforcement Learning-enhanced Shared-account Cross-domain Sequential Recommendation
Shandong Normal University（山东师范大学）；The University of Queensland（昆士兰大学）
共享账户跨域顺序推荐（SCSR）是一个新兴的具有挑战性的研究课题，它同时考虑了共享账户和跨域的特点。现有的SCSR研究主要基于递归神经网络（RNN）和图神经网络（GNN），但忽略了多个用户共享一个帐号，但帐号每次主要由一个用户占用的事实。这种观察激励我们通过专注于其最近的行为来学习更准确的用户特定帐户表示。此外，虽然现有的工作赋予较低的权重，无关的互动，他们仍然可能稀释域信息，并阻碍跨域推荐。为了解决上述问题，我们提出了一个基于强化学习的解决方案，即RL-ISN，它由一个基本的跨域推荐和一个基于强化学习的域过滤器。具体来说，为了对共享账户场景中的账户表示进行建模，基本推荐器首先将用户的混合行为聚类为潜在用户，然后利用对它们的注意力模型来进行用户识别。为了减少不相关的领域信息的影响，我们制定的领域过滤器作为一个分层的强化学习任务，其中一个高层次的任务是用来决定是否修改整个传输序列或没有，如果是这样，一个低层次的任务是进一步执行，以确定是否删除其中的每个交互或没有。为了评估我们的解决方案的性能，我们在两个真实世界的数据集上进行了广泛的实验，实验结果表明，我们的RL-ISN方法相比，国家的最先进的推荐方法的优越性。
2022-06-16 cs.AI cs.IR cs.LG
MeKB-Rec: Personal Knowledge Graph Learning for Cross-Domain Recommendation
WeiXin Group of Tencent（腾讯微信事业群）
提出MeKB-Rec，利用个人知识图谱表示用户兴趣，结合预训练语言模型实现跨域零样本推荐，显著提升HR@10和NDCG@10，并已部署于微信服务数亿用户。
2023-10-17 cs.AI 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
LLMDistill4Ads: Using Cross-Encoders to Distill from LLM Signals for Advertiser Keyphrase Recommendations at eBay
eBay Inc（eBay公司）
LLMDistill4Ads通过交叉编码器从LLM信号中蒸馏，旨在提升eBay广告商关键词推荐的多样性和准确性。
2026-02-18 cs.AI cs.IR cs.LG
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
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
Self-Supervised Interest Transfer Network via Prototypical Contrastive Learning for Recommendation
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Alibaba Group（阿里巴巴集团）
跨域推荐近年来受到了业界和学术界的广泛关注。然而，大多数现有的方法不利用域之间的兴趣不变性，这将产生次优的解决方案。本文提出了一种跨领域推荐方法：自监督兴趣转移网络（SITN），它通过原型对比学习在领域之间有效地转移不变知识。具体来说，我们执行两个层次的跨域对比学习：1）实例到实例的对比学习，2）实例到集群的对比学习。不仅如此，我们还考虑了用户的多粒度和多视角兴趣。通过这种范式，SITN可以显式地学习领域之间兴趣簇的不变知识，准确地捕获用户的意图和偏好。我们对一个公共数据集和一个从世界领先的电子商务公司收集的大规模工业数据集进行了广泛的实验。实验结果表明，SITN实现了显着的改进，国家的最先进的推荐方法。此外，SITN已部署在微视频推荐平台上，在线A/B测试结果进一步证明了其实用价值。补充资料可在以下网址获得：https://github.com/fanqieCoffee/SITN-Supplement。
2023-02-28 cs.AI cs.IR cs.LG
RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation
University of Alberta（阿尔伯塔大学）；Tencent（腾讯）；Sun Yat-sen University（中山大学）
跨领域推荐可以帮助缓解传统顺序推荐系统中的数据稀疏问题。在本文中，我们提出了RecGURU算法框架生成一个广义用户表示（GUR），将用户信息跨域的顺序推荐，即使有最小或没有共同的用户在两个域。我们提出了一个自我关注的自动编码器，以获得潜在的用户表示，和一个域编码器，其目的是预测生成的潜在表示的起源域。我们提出了一种新的对抗学习方法来训练这两个模块，以统一从不同的域生成的用户嵌入到一个单一的全球GUR为每个用户。所学习的GUR捕获用户的总体偏好和特征，并且因此可以用于增强行为数据并且改进用户所涉及的任何单个域中的推荐。在两个公开的跨域推荐数据集和一个从实际应用中收集的大型数据集上进行了大量的实验。结果表明，RecGURU提高了性能，优于各种最先进的顺序推荐和跨域推荐方法。收集到的数据将被公布，以方便未来的研究。
2021-11-19 cs.AI cs.IR
Unifying Inductive, Cross-Domain, and Multimodal Learning for Robust and Generalizable Recommendation
KAIST（韩国科学技术院）
本文提出统一框架MICRec，融合归纳建模、多模态引导与跨域迁移，以处理异构不完整数据，提升推荐鲁棒性与泛化性，实验优于12个基线。
2025-10-21 cs.AI cs.IR cs.LG
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
CoNet: Collaborative Cross Networks for Cross-Domain Recommendation
Hong Kong University of Science and Technology（香港科技大学）
跨领域推荐技术是利用相关领域知识来缓解推荐系统中数据稀疏问题的一种有效方法。迁移学习是基于这些技术的一类算法。在本文中，我们提出了一种新的跨域推荐的迁移学习方法，使用神经网络作为基础模型。与基于矩阵分解的跨域技术相比，我们的方法是深度迁移学习，可以学习复杂的用户-项目交互关系。我们假设两个基本网络中的隐藏层通过交叉映射连接，从而形成协作交叉网络（CoNet）。CoNet通过引入从一个基础网络到另一个基础网络的交叉连接，实现了跨领域的双重知识转移。CoNet是在多层前馈网络中通过添加对偶连接和联合损失函数来实现的，可以通过反向传播来有效地训练。该模型在两个大型真实世界数据集上进行了全面评估。在NDCG中，它比基线相对提高了7.84%。我们证明了自适应选择表示转移的必要性。与非迁移方法相比，我们的模型可以减少数万个训练样本，并且仍然具有与它们竞争的性能。
2018-12-04 cs.AI cs.IR cs.LG
PPGenCDR: A Stable and Robust Framework for Privacy-Preserving Cross-Domain Recommendation
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Midea Group（美的集团）
针对现有跨域推荐忽视隐私保护的问题，本文提出PPGenCDR框架，通过选择性隐私保护器、GAN稳定器和鲁棒性导体，在稳定保护源域隐私的同时鲁棒利用迁移知识，并在Douban和Amazon数据集上显著超越现有模型。
2023-05-11 cs.AI cs.IR
Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations
New York University（纽约大学）
跨领域推荐系统在帮助消费者识别不同应用中的有用项目方面越来越有价值。然而，现有的跨领域模型通常需要大量的重叠用户，这在某些应用中可能难以获得。此外，他们没有考虑跨域推荐任务的二元结构，从而无法考虑用户和项目之间的双向潜在关系，并实现最佳推荐性能。为了解决这些问题，在本文中，我们提出了一种新的跨域推荐模型的基础上，双学习，在两个相关的域之间的信息传递，以迭代的方式，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。此外，我们结合了双重学习方法与度量学习方法，这使我们能够显着减少所需的共同用户在两个域的重叠，并导致更好的跨域推荐性能。我们在两个大规模工业数据集和六个域对上测试了所提出的模型，证明它始终显著优于所有最先进的基线。我们还表明，所提出的模型可以很好地与非常少的重叠用户，以获得令人满意的推荐性能相媲美的国家的最先进的基线，使用许多重叠用户。
2021-04-20 cs.IR cs.LG
Generative Multi-Target Cross-Domain Recommendation
University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）
本文提出GMC，一种基于生成范式的多目标跨域推荐方法，通过语义量化的离散物品标识符整合多域知识，将推荐视为下一词元生成任务，并引入域感知对比损失与域特定微调，在五个公开数据集上验证了其有效性。
2025-08-07 cs.AI cs.IR
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
Synthetic Data from Cross-Domain Events for Large-Scale Recommendation Systems
Meta
提出SCALR框架，通过源域事件生成目标域的合成用户-物品交互事件，以缓解数据稀疏和噪声反馈问题，并在工业推荐平台的在线A/B测试中取得显著改进。
2026-05-29 cs.AI cs.IR
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
Domain-Aware Cross-Attention for Cross-domain Recommendation
BUPT（北京邮电大学）
本文提出两步域感知交叉注意力跨域推荐模型，从多粒度提取源域可迁移特征并简化训练，实验与在线广告部署均验证其在CTR和ECPM上的显著效果。
2024-01-22 cs.AI cs.IR
M3oE: Multi-Domain Multi-Task Mixture-of Experts Recommendation Framework
Jilin University（吉林大学）；City University of Hong Kong（香港城市大学）；Kuaishou Technology（快手科技）
本文提出自适应 M3oE 框架，通过三类专家模块、两级融合和 AutoML 动态优化，解决多领域多任务推荐中的复杂依赖问题，并在两个基准上验证其性能优于多种基线。
2024-05-12 cs.AI cs.IR
Retrievable Domain-Sensitive Feature Memory for Multi-Domain Recommendation
Noah’s Ark Lab, Huawei（华为诺亚实验室）；Tsinghua University（清华大学）
针对现有多域推荐方法忽略域敏感特征、域差异学习不足的问题，提出域敏感特征归因方法与可检索记忆架构，有效捕捉域差异，提升推荐性能。
2025-05-16 cs.IR cs.LG
Causality Enhancement for Cross-Domain Recommendation
Xiaohongshu Co., Ltd（小红书公司）
针对跨域推荐中因果信息利用不足的问题，提出因果增强框架CE-CDR，通过因果图重构、因果感知数据集构建及无偏部分标签因果损失，生成丰富跨域表示以增强目标域推荐，实验验证其有效性和通用性。
2025-10-16 cs.AI cs.IR
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
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
Heterogeneity-aware Cross-school Electives Recommendation: a Hybrid Federated Approach
The Hong Kong Polytechnic University（香港理工大学）
针对跨校选修课推荐中数据隐私与异构性问题，提出混合联邦推荐系统HFRec，通过构建异构图与注意力机制捕获异构感知表示，在保护隐私下实现个性化推荐，效果优于现有模型。
2024-02-19 cs.AI cs.IR
Atomic Intent Reasoning: Bringing LLM Semantics to Industrial Cross-Domain Recommendations
The Hong Kong Polytechnic University（香港理工大学）；Kuaishou Technology（快手科技）
提出AIR框架，通过离线LLM推理与在线高效检索组合，实现工业级跨域推荐，在快手电商中GMV提升3.446%。
2026-06-09 cs.AI cs.IR
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
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
An Unified Search and Recommendation Foundation Model for Cold-Start Scenario
Ant Group（蚂蚁集团）
本文提出S&R Multi-Domain Foundation框架，利用LLM提取领域不变特征并结合Aspect Gating Fusion与Domain Adaptive Multi-Task联合训练搜索和推荐任务，在冷启动场景中优于SOTA迁移学习方法并已部署于支付宝。
2023-09-16 cs.AI cs.IR
LSTM Networks for Online Cross-Network Recommendations
School of Computing, National University of Singapore（新加坡国立大学计算机学院）
跨网络推荐系统使用来自多个源网络的辅助信息来创建整体用户简档并改进目标网络中的推荐。然而，我们发现在现有的跨网络解决方案，降低整体推荐性能的两个主要限制。现有的模型（1）无法捕捉用户交互中复杂的非线性关系，（2）是为离线设置而设计的，因此，不能用输入的交互来在线更新以捕捉推荐环境中的动态。我们提出了一种新的基于多层长短期记忆（LSTM）网络的在线解决方案来缓解这些问题。该模型包含对标准LSTM的三个主要扩展：第一，注意力门控机制，用于捕获长期用户偏好变化。第二，更高阶的交互层，以减轻数据稀疏性。第三，时间感知LSTM单元门，以捕获用户交互之间的不规则时间间隔。我们使用Twitter和Google Plus的辅助信息来说明我们的解决方案，以改善YouTube上的推荐。大量实验表明，该模型在准确性、多样性和新颖性方面始终优于最先进的模型。
2020-09-03 cs.AI cs.IR cs.LG
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
SemaCDR: LLM-Powered Transferable Semantics for Cross-Domain Sequential Recommendation
Jilin University（吉林大学）；Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong（香港中文大学）
SemaCDR通过大语言模型构建统一语义空间，整合领域无关和领域特定语义，利用对比正则化对齐多视角物品特征，通过自适应融合生成统一偏好表示，提升跨域序列推荐效果。
2026-01-30 cs.AI cs.IR
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
DDGHM: Dual Dynamic Graph with Hybrid Metric Training for Cross-Domain Sequential Recommendation
Zhejiang University（浙江大学）
顺序推荐（SR）通过对用户在项目之间的转换进行建模来描述用户行为的演变模式。然而，短的交互序列限制了现有的SR的性能。为了解决这个问题，我们专注于跨域顺序推荐（CDSR）在本文中，旨在利用其他领域的信息，以提高顺序推荐性能的一个领域。解决CDSR具有挑战性。一方面，如何在保持单一领域偏好的同时，整合跨领域的影响力仍然是一个关键问题。另一方面，由于合并序列的长度有限，数据稀疏性问题不能完全通过简单地利用其他领域的知识来解决。为了应对这些挑战，我们提出了DDGHM，一个新的框架CDSR问题，其中包括两个主要模块，即，双动态图建模和混合度量训练。前者通过动态构造两级图来捕捉域内和域间的顺序转换，即，局部图和全局图，并将它们与融合注意门控机制相结合。后者通过采用混合度量学习来增强用户和项目表示，包括用于实现对齐的协作度量和用于保持一致性的对比度量，以进一步缓解数据稀疏问题并提高预测精度。我们在两个基准数据集上进行了实验，结果证明了DDHMG的有效性。
2022-09-21 cs.AI cs.IR
Review-Based Domain Disentanglement without Duplicate Users or Contexts for Cross-Domain Recommendation
Seoul National University（首尔国立大学）；Korea Institute of Energy Technology（韩国能源技术研究院）
针对跨域推荐依赖重叠用户或相同上下文的局限，提出基于评论的领域解耦模型 SER，通过单一判别器引导三个文本分析模块和新型优化策略，并扩展多域编码网络，实现高效、鲁棒且可扩展的推荐。
2023-04-12 cs.AI cs.IR
Cross-domain Recommendation via Deep Domain Adaptation
Yahoo Japan Corporation（雅虎日本公司）；The University of Tokyo（东京大学）
用户在某些服务中的行为可能是一个线索，可以用来推断他们的偏好，并可以用来为他们从未使用过的其他服务提供建议。然而，项目和用户消费模式之间的跨域关系并不简单，特别是当跨域的公共用户和项目很少或根本没有时。为了解决这个问题，我们提出了一个基于内容的跨域推荐方法的冷启动用户，不需要用户和项目重叠。我们制定的极端多类分类的标签（项目）对应于用户的预测推荐。利用该公式，问题被简化为领域自适应设置，其中在源域中训练的分类器被适配到目标域。为此，我们构建了一个神经网络，它结合了领域自适应的架构，域分离网络，与去噪自动编码器的项目表示。我们评估我们的方法在实验中的性能对从电影和新闻服务的雅虎收集的数据集！JAPAN和表明，我们的方法优于几个基线方法，包括跨域协同过滤方法。
2018-03-08 cs.CL cs.IR cs.LG
FedDCSR: Federated Cross-domain Sequential Recommendation via Disentangled Representation Learning
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Sun Yat-sen University（中山大学）
针对跨域序列推荐中数据隐私与特征异构性问题，提出联邦框架FedDCSR，通过序列表示解耦与领域内对比信息最大化策略分离共享与专属特征，显著优于基线方法。
2024-01-16 cs.IR cs.LG
RecBase: Generative Foundation Model Pretraining for Zero-Shot Recommendation
Zhejiang University（浙江大学）；Huawei Noah’s Ark Lab（华为诺亚实验室）；Shanghai AI Lab（上海人工智能实验室）；The HK PolyU（香港理工大学）
针对LLM预训练与推荐任务不匹配导致的跨域泛化差问题，提出推荐导向预训练的基础模型RecBase，通过统一物品分词器等设计，15亿参数规模在8个数据集的零样本跨域推荐中追平或超越最高70亿参数的LLM基线。
2025-09-03 cs.IR cs.LG
EXIT: An EXplicit Interest Transfer Framework for Cross-Domain Recommendation
Meituan（美团）
本文提出EXIT显式兴趣迁移框架，通过监督学习直接学习有益源域兴趣并排除不当信号，结合场景选择器网络建模细粒度场景下的迁移强度，有效解决跨域推荐中的负迁移问题，已部署于美团App首页主流量。
2024-07-29 cs.AI cs.IR
Collaborative Filtering with Attribution Alignment for Review-based Non-overlapped Cross Domain Recommendation
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
跨领域推荐（CDR）是利用不同领域的知识来解决推荐系统中的数据稀疏性和冷启动问题的一种方法。在本文中，我们专注于基于评论的非重叠推荐（RNCDR）问题。该问题是一个普遍存在且具有挑战性的问题，主要表现在两个方面，即目标域上只有正的用户项目评分和不同域之间没有重叠的用户。大多数先前的CDR方法不能很好地解决RNCDR问题，因为（1）它们不能有效地将审查与其他信息（例如，ID或评级）来获得富有表现力的用户或项目嵌入，（2）它们不能减少用户和项目上的域差异。为了填补这一空白，我们提出了协同过滤与归因对齐模型（CFAA），一个跨域推荐框架的RNCDR问题。CFAA包括两个主要模块，即，评分预测模块和嵌入属性对齐模块。前者旨在联合挖掘评论，一个热门ID和多个热门历史评分，以生成富有表现力的用户和项目嵌入。后者包括纵向归因一致性和横向归因一致性，倾向于基于多个视角减少差异。我们对豆瓣和亚马逊数据集的实证研究表明，CFAA在RNCDR设置下显着优于最先进的模型。
2022-02-10 cs.AI cs.IR
Disentangled Contrastive Learning for Social Recommendation
The Hong Kong Polytechnic University（香港理工大学）；Southern University of Science and Technology（南方科技大学）；Centre for Artificial Intelligence and Robotics (HKISI_CAS)（人工智能与机器人研究所（香港科学院_中国科学院））
针对统一用户表示难以刻画协同域与社交域异构行为的问题，提出 DcRec 框架，通过解耦用户表示及跨域解耦对比学习实现知识迁移，并在多个真实数据集上验证了优越性。
2023-10-03 cs.AI cs.IR
Market-Aware Models for Efficient Cross-Market Recommendation
University of Amsterdam（阿姆斯特丹大学）
我们考虑跨市场推荐（CMR）的任务，这涉及到在一个低资源的目标市场，使用来自一个更丰富的，辅助源市场的数据的建议。CMR之前的工作利用元学习来提高目标市场的推荐性能;然而，元学习可能很复杂，而且需要大量资源。在本文中，我们提出了市场感知（MA）模型，它通过市场嵌入而不是跨市场的元学习直接对市场进行建模。这些嵌入将项目表示转换为特定于市场的表示。我们的实验突出了MA模型在单个目标源市场的成对设置以及在所有市场上统一训练的全球模型中的有效性和效率。在前一种成对设置中，在nDCG@10的85%的情况下，MA模型的平均表现优于市场未知模型，同时具有时间效率-与元学习模型相比，MA模型只需要15%的训练时间。在全球范围内，MA模型在某些市场上的表现一直优于市场感知模型，而在除一个市场外的所有市场上，MA模型的表现都优于基于元学习的方法。我们的结论是，MA模型是元学习的一种高效和有效的替代方案，特别是在全球范围内。
2023-02-14 cs.AI cs.IR
Few-shot News Recommendation via Cross-lingual Transfer
University of Notre Dame（圣母大学）；Ant Group（蚂蚁集团）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对新闻推荐中的少样本问题，提出通过无监督跨语言迁移模型对齐跨域新闻，并迁移用户偏好，在两个真实数据集上验证了其优于基线。
2023-12-28 cs.AI cs.IR
Multi-Behavior Enhanced Recommendation with Cross-Interaction Collaborative Relation Modeling
South China University of Technology（华南理工大学）；JD Finance America Corporation（京东金融美国公司）
许多先前的研究旨在增强协同过滤与深度神经网络技术，以实现更好的推荐性能。然而，现有的大多数基于深度学习的推荐系统都是针对单一类型的用户-项目交互行为建模而设计的，很难提取用户与项目之间的异构关系。在实际的推荐场景中，存在多种类型的用户行为，例如浏览和购买。现有的推荐方法忽略了用户在不同项目上的多行为模式，无法从用户多行为数据中捕捉到异构的协作信号。受图神经网络在结构化数据建模中的优势启发，本文提出了一种图神经多行为增强推荐（GNMR）框架，该框架在基于图的消息传递架构下，对不同类型的用户-项目交互之间的依赖关系进行了显式建模。GNMR设计了一个关系聚合网络来模拟交互异构性，并递归地在用户-项目交互图上的相邻节点之间执行嵌入传播。在真实世界推荐数据集上的实验表明，我们的GNMR始终优于最先进的方法。源代码可在https://github.com/akaxlh/GNMR上获得。
2022-01-07 cs.AI cs.IR
Align-for-Fusion: Harmonizing Triple Preferences via Dual-oriented Diffusion for Cross-domain Sequential Recommendation
National University of Defense Technology（国防科技大学）；National University of Singapore（新加坡国立大学）
针对跨域序列推荐中偏好融合粗糙的问题，提出对齐即融合框架HorizonRec，利用双导向扩散模型协调三重偏好，并通过混合条件分布检索稳定建模，实验验证其有效性。
2025-08-07 cs.AI cs.IR
