En este artículo, proponemos un nuevo marco para abordar el problema del sesgo semántico de dominio en la recomendación secuencial entre dominios de tipo zero-shot (ZCDSR). Los modelos ZCDSR existentes han mejorado la transferencia de conocimiento entre dominios mediante el uso de modelos de lenguaje a gran escala (LLM), pero presentan limitaciones en la precisión debido al sesgo semántico causado por las diferencias de vocabulario y contenido entre dominios. En este artículo, abordamos este problema mejorando la alineación entre dominios tanto a nivel de ítem como a nivel secuencial. A nivel de ítem, introducimos una función de pérdida de generalización para alinear las incrustaciones de ítems entre dominios con el fin de asegurar la similitud entre dominios, manteniendo al mismo tiempo las características únicas de los ítems en cada dominio. A nivel secuencial, desarrollamos un método para agrupar secuencias de usuarios del dominio fuente y transferir patrones de comportamiento del usuario mediante agregación basada en la atención para adaptar dinámicamente las incrustaciones del usuario al inferir dominios objetivo. Como resultado, habilitamos una recomendación zero-shot efectiva sin interacción con el dominio objetivo.
