#Cross-Domain Sequential Recommendation

3 篇

When Semantics Fall Short: Persona-Guided Cross-Domain Sequential Recommendation with Large Language Models

语义不足时：用户画像引导的跨域序列推荐

🧭 跨域序列推荐 · LLM 用户画像引导 ★ 深度解读

北京交通大学 · 中山大学 · 南洋理工大学

用 LLM 推断用户画像作为全局引导替代跨域语义桥接，结合本地语义关联提升跨域序列推荐

📌 工作参考价值（3 点）

跨域/多场景推荐中，避免全局 item 语义对齐；用 LLM 从用户混合行为序列推断 persona（输出 why 而非 what，提示词约束不提具体 item/brand/domain），作为跨域行为建模的全局引导信号，可作为多域用户表示的统一先验。
行为与语义表示分离：跨域共享行为 embedding 随机初始化、与混合序列联合训练，避免语义域隔离；冻结的 item 语义 embedding 只用于域内局部邻域正则和域偏好分支，最后通过可学习 gate 自适应融合。工程上可离线预计算 persona 和语义 embedding，不增加在线推理成本。
辅助损失设计：Local Semantic Association 对每个 item 取 Top-K 语义邻域，回归语义相似度与行为相似度；Global Persona Guidance 使用 persona-aware attention 对序列隐藏态加权，做用户级对比学习。两项都是轻量插件，可加到现有 Transformer 序列模型。

RecSys | 2026-10-18 | cs.IR | score 8/10

缓解跨域序列推荐负迁移的双专家 LLM 策略

🧭 跨域序列推荐 · 负迁移抑制 ★ 深度解读

SK Telecom · KAIST

提出 DuELRec，用域门控双专家与双采样对比学习抑制 LLMRec 跨域负迁移

📌 工作参考价值（4 点）

多域/多场景推荐若出现负迁移，可设计同域/跨域双专家结构，分别用同域因果 mask 和跨域因果 mask 建模，再通过逐 item 门控融合；门控权重可视化能快速定位哪些域需要更强单域信号。
LLM 做序列推荐不要只做 token 级自回归，应在 LLM 输出后增加 item-aware attention transformation，把 subtoken 聚合为 item 表示并在 item 级做 block causal mask，强制捕获协同信号，避免纯文本模式误导。
负采样不要只用同域负样本，加入 30%-50% 跨域负样本（论文 p=0.4）可以增强跨域判别能力，改动小、收益稳定，适合电商跨品类召回或广告多场景排序。
ID-free 检索式 LLMRec 适合冷启动与新域扩展，但 warm item 通常弱于 IDRec；通过上述 item 级协同信号可同时提升 cold/warm，且无需为新 item 重训。工程上可用冻结 LLM + LoRA + 两个浅层 transformer expert 控制延迟，线上预建 item embedding 索引做相似度检索。

RecSys | 2026-08-24 | cs.IR | score 8/10

尖锐度感知的模型合并与显著性恢复：面向LLM跨域序列推荐

🧭 生成式跨域推荐 · Sharpness-aware模型合并 ★ 深度解读

Zhejiang University · Hangzhou Dianzi University

提出SharpRec，用平坦最小值对齐和重尾分布恢复解决LLM跨域推荐的参数干扰与性能饱和

📌 工作参考价值（4 点）

跨域LoRA合并的“平坦化”训练：在电商多场景（如服饰→美妆）做LoRA微调时，引入sharpness-aware目标（式7），让各域权重主动趋向平坦损失盆地，可大幅减少合并后的负迁移，避免异购场景相互覆盖。
后融合非线性重参数化：合并多个领域LoRA后，对聚合参数施加元素级非线性变换（式12）恢复重尾分布，能有效激活被平均化淹没的领域专家特征，适用于多域融合后性能天花板被线性聚合锁定的业务。
轻量级实现：SharpRec无需改动推理架构，只需在微调和合并阶段加入SGA正则化和PSA变换，计算开销小，可直接嵌入现有LoRA微调流水线，适合大规模推荐系统快速迭代。
鲁棒的非重叠用户场景：在稀疏重叠用户（低至20%）下仍显著优于传统CDSR方法，为电商冷启动或新域扩展提供了更可靠的跨域知识迁移方案。

GenRec | 2026-07-28 | cs.IR | score 9/10