Cross Domain Recommendation
1.ALCDR: Beyond the Overlapping Users: Cross-Domain Recommendation via Adaptive Anchor Link Learning
Yi Zhao at alSIGIR (2023)CDR은 주로 overlapping user에 의존하는 방식이며, 동일한 사용자의 source-target 간의 지식 전이하지만 동일한 사용자더라도 도메인별로 preference가 다르기 때문에 noise가 끼게 됨다양한 도
2.AMLCDR: An Adaptive Meta-Learning Model for Cross-Domain Recommendation by Aligning Preference Distributions
Fanqi Meng and Zhiyuan ZhangWSDM (2025)Data sparsity를 해결하기 위해 source domain의 overlapping user interaction을 target domain으로 전송하는 방식을 사용대부분의 기존의 방식은 pre
3.CATART: One for All, All for One: Learning and Transferring User Embeddings for Cross-Domain Recommendation
Chenglin Li at alWSDM (2023)CDR이 single-domain, dual-domain target에만 집중negative transfer problem이 여전히 잔재multi-domain을 target으로 하는 CATART를 제안Contrastiv
4.COAST: Cross-domain recommendation via user interest alignment
Chuang Zhao at al2023 WWW각 도메인의 user embedding을 독립적으로 훈련하고, 단순 aggregation하는 기존의 CDR 방식은 user-item cross-domain similarity를 무시하는 방법임사용자의 관심의 정렬과 기존의 사
5.Cross-Domain Latent Factors Sharing via Implicit Matrix Factorization
Abdulaziz SamraRecSys 2024Data sparsity 문제를 해결하기 위해 제안되는 CDR의 model architecture는 너무 복잡하다. → 실제로 적용하기 어려움Matrix Factorization은 single-domain에서 가장 쉽게 쓰
6.DisenCDR: Learning Disentangled Representations for Cross-Domain Recommendation
JiangXia Cao at alSIGIR 2022domain-specific information은 target-domain의 추천 품질 향상에는 쓸모가 없음domain-shared, domain-specific information을 직접 aggregating 하는
7.EDDA: Multi-domain Recommendation with Embedding Disentangling and Domain Alignment
Wentao Ning at alCIKM (2023)존재하는 MDR(Multi-Domain Recommendation)은 두 가지 challenge를 가지고 있음knowledge를 분리하는 것이 어려움→ 도메인간 일반화되는 지식 (Domain-Shared), 한 도메인에
8.EXHANS: Exploration and Exploitation of Hard Negative Samples for Cross-Domain Sequential Recommendation
WSDM (2025)Yidan Wang et alhard negative sample은 user preference를 학습하는데 큰 역할을 함 (contrastive signal)기존의 방법들은 prediction score나 popularity가 높게 예측된 아이템들
9.EXIT: An Explicit Interest Transfer Framework for Cross-Domain Recommendation
Lei Huang at alCIKM 2024도메인간의 implicit feedback을 기반으로 모델링하고 도메인간 추천을 향상시키기 위한 representation을 학습하기 때문에 복잡한 네트워크를 사용함도메인간 transfer knowledge가 unsupervi
10.PFCDR: Privacy-Friendly Cross-Domain Recommendation via Distilling User-Irrelevant Information
Cheng Wang at alWWW (2025)Privacy-preserving CDR은 사용자의 민감한 정보를 보호하면서 source domain을 보조정보로 활용해 cold-start 문제를 해결함존재하는 privacy-preserving CDR은 민감한 사용자 임
11.Towards Universal Cross-Domain Recommendation
Jiangxia Cao et al.WSDM 2023데이터가 풍부한 기존 서비스에 비해 스타트업같은 새롭게 시작한 서비스는 데이터 부족으로 인한 cold-start 문제를 겪게 된다.⇒ 이러한 문제를 해결하기 위해 cross-domain recommendation이 주목