本研究探讨了大型语言模型在推荐系统中避免跨领域物品推荐的问题，提出了两种方法：RecLM-ret和RecLM-cgen。实验结果表明，RecLM-cgen优于传统方法，有效避免跨领域推荐，同时保持强大的通用能力。

提出了一种针对冷启动用户的跨领域推荐方法，利用极端多类分类预测用户评分，并结合领域适应和去噪自编码器的神经网络，实现无重叠特征的推荐。在Yahoo! JAPAN数据集上，该方法优于传统协同过滤。

MeKB-Rec是一种新的跨领域推荐范式，通过引入个人知识图谱解决了新用户的冷启动问题。该方法在公共CDR数据集上取得了显著的性能提升。