論文の概要: Adaptive Graph Integration for Cross-Domain Recommendation via Heterogeneous Graph Coordinators

• arxiv url: http://arxiv.org/abs/2410.11719v2
• Date: Thu, 10 Jul 2025 14:28:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 18:48:43.534874
• Title: Adaptive Graph Integration for Cross-Domain Recommendation via Heterogeneous Graph Coordinators
• Title（参考訳）: 不均一グラフコーディネータを用いたクロスドメイン勧告のための適応グラフ統合
• Authors: Hengyu Zhang, Chunxu Shen, Xiangguo Sun, Jie Tan, Yu Rong, Chengzhi Piao, Hong Cheng, Lingling Yi,
• Abstract要約: マルチドメインデータを活用することで、ユーザの洞察を豊かにし、個々のドメインにおけるデータの分散を緩和することで、レコメンデーションシステムを改善することができる。 HAGO, textbfHeterogeneous textbfAdaptive textbfGraph cotextbfOrdinatorsを提案する。 本フレームワークは,コーディネータとマルチドメイングラフノード間の接続を適応的に調整し,ドメイン間相互作用を向上する。
• 参考スコア（独自算出の注目度）: 31.05975545409408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the digital era, users typically interact with diverse items across multiple domains (e.g., e-commerce, streaming platforms, and social networks), generating intricate heterogeneous interaction graphs. Leveraging multi-domain data can improve recommendation systems by enriching user insights and mitigating data sparsity in individual domains. However, integrating such multi-domain knowledge for cross-domain recommendation remains challenging due to inherent disparities in user behavior and item characteristics and the risk of negative transfer, where irrelevant or conflicting information from the source domains adversely impacts the target domain's performance. To tackle these challenges, we propose HAGO, a novel framework with \textbf{H}eterogeneous \textbf{A}daptive \textbf{G}raph co\textbf{O}rdinators, which dynamically integrates multi-domain graphs into a cohesive structure. HAGO adaptively adjusts the connections between coordinators and multi-domain graph nodes to enhance beneficial inter-domain interactions while alleviating negative transfer. Furthermore, we introduce a universal multi-domain graph pre-training strategy alongside HAGO to collaboratively learn high-quality node representations across domains. Being compatible with various graph-based models and pre-training techniques, HAGO demonstrates broad applicability and effectiveness. Extensive experiments show that our framework outperforms state-of-the-art methods in cross-domain recommendation scenarios, underscoring its potential for real-world applications. The source code is available at https://github.com/zhy99426/HAGO.
• Abstract（参考訳）: デジタル時代には、ユーザは通常、複数のドメイン(eコマース、ストリーミングプラットフォーム、ソーシャルネットワークなど)にわたる多様なアイテムと対話し、複雑な異種相互作用グラフを生成する。 マルチドメインデータを活用することで、ユーザの洞察を豊かにし、個々のドメインにおけるデータの分散を緩和することで、レコメンデーションシステムを改善することができる。 しかし、ユーザ行動やアイテム特性の相違や、ソースドメインからの無関係な情報や矛盾した情報が対象ドメインのパフォーマンスに悪影響を及ぼす負の転送リスクにより、ドメイン横断リコメンデーションにそのようなマルチドメイン知識を統合することは依然として困難である。 これらの課題に対処するため,我々は,複数ドメイングラフを動的に結合構造に統合する新しいフレームワークであるHAGOを提案する。 HAGOは、コーディネータとマルチドメイングラフノード間の接続を適応的に調整し、負の転送を緩和しながら、ドメイン間相互作用を改善する。 さらに、HAGOと共に汎用マルチドメイングラフ事前学習戦略を導入し、ドメイン間の高品質なノード表現を協調的に学習する。 さまざまなグラフベースのモデルや事前トレーニング技術と互換性があるため、HAGOは幅広い適用性と有効性を示している。 大規模な実験により、我々のフレームワークはクロスドメインレコメンデーションシナリオにおいて最先端の手法よりも優れており、現実世界のアプリケーションの可能性を強調している。 ソースコードはhttps://github.com/zhy99426/HAGOで公開されている。

関連論文リスト

• Multi-Domain Graph Foundation Models: Robust Knowledge Transfer via Topology Alignment [9.215549756572976]
  実世界のグラフはスパースが多く、ノイズの多い接続や敵の攻撃を受けやすい。 本稿では,ドメイン間のトポロジ情報を整合化し活用する統合フレームワークであるMDGFMを提案する。 トポロジを整列させることで、MDGFMはマルチドメイン事前学習を改善するだけでなく、目に見えないドメインへの堅牢な知識伝達を可能にする。
  論文  参考訳（メタデータ） (2025-02-04T05:09:23Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation [11.61586672399166]
  クロスドメインレコメンデーション(CDR)が有望なソリューションとして登場した。 しかし、ソースドメインに類似した好みを持つユーザは、ターゲットドメインに対して異なる関心を示す可能性がある。 そこで本稿では,ユーザ意図の微粒化を捉えるために,グラフに基づく非交叉型コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:20:42Z)
• Star+: A New Multi-Domain Model for CTR Prediction [0.0]
  本稿では,スターモデルにインスパイアされたクリックスルーレート(CTR)予測のための新しいマルチドメインモデルであるStar+を紹介する。 産業用および公共用両方のデータセットに対する実験により、Star+は予測精度と効率を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2024-06-24T12:03:35Z)
• FedHCDR: Federated Cross-Domain Recommendation with Hypergraph Signal Decoupling [15.159012729198619]
  我々は,ハイパーグラフ信号デカップリングを用いた新しいクロスドメイン勧告フレームワークであるFedHCDRを提案する。 本研究では,ハイパーグラフ信号デカップリング(HSD)と呼ばれる手法を導入し,ユーザ特徴をドメイン排他的・ドメイン共有的特徴に分離する。 3つの実世界のシナリオで実施された大規模な実験は、FedHCDRが既存のベースラインを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-03-05T03:40:39Z)
• Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
  動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。 本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-28T04:08:40Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Cross-domain recommendation via user interest alignment [20.387327479445773]
  クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。 このアプローチの一般的な実践は、各ドメインに個別にユーザ埋め込みをトレーニングし、それらを平易な方法で集約することです。 本稿では,2つのドメインの推薦性能を改善するために,新しいドメイン間推薦フレームワークであるCOASTを提案する。
  論文  参考訳（メタデータ） (2023-01-26T23:54:41Z)
• A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
  クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。 最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。 第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
  論文  参考訳（メタデータ） (2021-12-08T15:14:26Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)
• Adversarial Graph Representation Adaptation for Cross-Domain Facial Expression Recognition [86.25926461936412]
  本稿では,グラフ表現の伝播と逆学習を両立させる新しいAdrialversa Graph Representation Adaptation (AGRA) フレームワークを提案する。 提案するAGRAフレームワークは,従来の最先端手法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2020-08-03T13:27:24Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。