跨领域推荐的领域感知交叉注意力
内容提要
该文综述跨领域推荐研究，将现有方法归纳为单目标、多领域、双目标和多目标CDR四类，并提出新分类法；同时介绍CCDR对比学习框架、深度双重传递模型、GA图嵌入注意力框架、CDR-Adapter适配器模型、DCDCSR深度框架、CFAA评论对齐方法、等效转换学习及元学习方案等进展，并指出开放世界CDSR场景中稀疏与冷启动用户带来的挑战。
延伸解读
方法演进：从单一模型到灵活适配
文章梳理的跨领域推荐方法呈现出从早期深度双重传递、GA图嵌入注意力等统一模型，向CDR-Adapter这类解耦适配器方案演进的趋势。CDR-Adapter通过分离原始推荐模型与映射函数，无需重新设计网络结构即可实现知识传递，降低了跨领域迁移的工程成本。这种模块化思路对希望复用现有推荐系统的团队更具参考价值。
分类框架的实用价值
文章将现有方法归纳为单目标、多领域、双目标和多目标CDR四类，并强调新分类法。这一分类有助于读者按目标场景快速定位方法：例如双目标CDR关注用户与物品在源域和目标域间的共享，多目标CDR则涉及多个领域同时推荐。理解分类边界可避免在选型时混淆不同设定下的模型假设。
开放世界场景的现实瓶颈
文章特别指出，在真实CDSR场景中，大多数用户行为稀疏或属于冷启动，导致现有顺序推荐方法在产业平台性能下降。这意味着实验室基准上的提升未必能直接迁移到开放世界。提升模型一致性和效果被文章视为构建CDSR模型的关键，读者应关注方法对稀疏与冷启动用户的鲁棒性，而非仅看平均指标。
Q&A
跨领域推荐（CDR）方法主要分为哪几类？
现有跨领域推荐方法可归纳为四类：单目标CDR、多领域推荐、双目标CDR和多目标CDR。
CCDR框架是如何实现知识迁移的？
CCDR框架通过构建一个巨大的多样化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。
CDR-Adapter模型如何解决数据稀疏和冷启动问题？
CDR-Adapter通过解耦原始推荐模型和映射函数的方式，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，从而有效解决数据稀疏性和冷启动问题，且无需重新设计网络结构。
GA框架使用了哪些技术来提高推荐精度？
GA框架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场景。
在跨领域推荐中，当不同领域共享相同用户但没有重叠项目时，有什么解决方法？
基于等效转换学习的方法可以在不压制领域特定特征的前提下，学习用户喜好的两种特征并相互转换，实验表明该方法比当前最先进的方法更加有效。
开放世界的跨领域顺序推荐（CDSR）面临的主要挑战是什么？
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。
