論文の概要: Bridge the Domains: Large Language Models Enhanced Cross-domain Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2504.18383v1
• Date: Fri, 25 Apr 2025 14:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.795288
• Title: Bridge the Domains: Large Language Models Enhanced Cross-domain Sequential Recommendation
• Title（参考訳）: Bridge the Domains: クロスドメインシーケンスレコメンデーションを強化した大規模言語モデル
• Authors: Qidong Liu, Xiangyu Zhao, Yejing Wang, Zijian Zhang, Howard Zhong, Chong Chen, Xiang Li, Wei Huang, Feng Tian,
• Abstract要約: クロスドメインシークエンシャルレコメンデーション (CDSR) は、様々なドメインにわたるユーザの歴史的なインタラクションから好みを抽出することを目的としている。 既存のCDSRメソッドは、クロスドメインアイテムの関係を学習するために、すべてのドメインでインタラクションを所有するユーザに依存している。 強力な表現力と推論能力により、LLM(Large Language Models)はこれらの2つの問題に対処することを約束している。
• 参考スコア（独自算出の注目度）: 30.116213884571803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain Sequential Recommendation (CDSR) aims to extract the preference from the user's historical interactions across various domains. Despite some progress in CDSR, two problems set the barrier for further advancements, i.e., overlap dilemma and transition complexity. The former means existing CDSR methods severely rely on users who own interactions on all domains to learn cross-domain item relationships, compromising the practicability. The latter refers to the difficulties in learning the complex transition patterns from the mixed behavior sequences. With powerful representation and reasoning abilities, Large Language Models (LLMs) are promising to address these two problems by bridging the items and capturing the user's preferences from a semantic view. Therefore, we propose an LLMs Enhanced Cross-domain Sequential Recommendation model (LLM4CDSR). To obtain the semantic item relationships, we first propose an LLM-based unified representation module to represent items. Then, a trainable adapter with contrastive regularization is designed to adapt the CDSR task. Besides, a hierarchical LLMs profiling module is designed to summarize user cross-domain preferences. Finally, these two modules are integrated into the proposed tri-thread framework to derive recommendations. We have conducted extensive experiments on three public cross-domain datasets, validating the effectiveness of LLM4CDSR. We have released the code online.
• Abstract（参考訳）: クロスドメインシークエンシャルレコメンデーション (CDSR) は、様々なドメインにわたるユーザの歴史的なインタラクションから好みを抽出することを目的としている。 CDSRの進歩にもかかわらず、2つの問題がさらなる進歩、すなわち重なり合うジレンマと遷移複雑性の障壁となった。 前者は、既存のCDSRメソッドは、ドメイン間のアイテム関係を学習するために、すべてのドメインでインタラクションを所有するユーザを非常に頼りにし、その実践性を損なうことを意味している。 後者は、混合行動系列から複雑な遷移パターンを学ぶことの難しさを指す。 強力な表現力と推論能力によって、LLM(Large Language Models)は、アイテムをブリッジし、セマンティックビューからユーザの好みをキャプチャすることで、これらの2つの問題を解決することを約束している。 そこで我々はLLM4CDSR(LLMs Enhanced Cross-domain Sequential Recommendation Model)を提案する。 意味項目の関連性を得るために,まず LLM をベースとした統一表現モジュールを提案する。 そして、CDSRタスクに適応するように、コントラスト正規化されたトレーニング可能なアダプタを設計する。 さらに、階層的なLLMプロファイルモジュールは、ユーザのドメイン間の好みを要約するように設計されている。 最後に、これら2つのモジュールは提案されたトリスレッドフレームワークに統合され、レコメンデーションを導出する。 我々は、LLM4CDSRの有効性を検証し、3つのパブリッククロスドメインデータセットについて広範な実験を行った。 コードをオンラインで公開しました。

関連論文リスト

• Joint Similarity Item Exploration and Overlapped User Guidance for Multi-Modal Cross-Domain Recommendation [27.00142195880019]
  マルチモーダル・クロスドメイン・レコメンデーション問題を解決するために,SIEOUG(Joint similarity Item Exploration and Overlapped User Guidance)を提案する。 SIEOUGは、MMCDR設定下での最先端モデルを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2025-02-22T03:57:43Z)
• Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
  Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。 本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という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） (2024-06-05T09:19:54Z)
• Information Maximization via Variational Autoencoders for Cross-Domain Recommendation [26.099908029810756]
  我々は、情報最大化変分オートエンコーダ(textbftextttIM-VAE)という新しいCDSRフレームワークを導入する。 ここでは、下流の細粒度CDSRモデルに対するユーザのインタラクション履歴入力を強化するために擬似シーケンス生成器を提案する。 我々の知る限りでは、オープンワールドレコメンデーションシナリオにおける擬似シーケンスの情報のゆがみとデノベーションを考慮に入れた最初のCDSR作品である。
  論文  参考訳（メタデータ） (2024-05-31T09:07:03Z)
• Learning Partially Aligned Item Representation for Cross-Domain Sequential Recommendation [72.73379646418435]
  クロスドメインシーケンシャルレコメンデーションは、ドメイン間でのユーザのシーケンシャルな好みを明らかにすることを目的としている。 ミスアライメントアイテム表現は、サブ最適シーケンシャルモデリングとユーザ表現アライメントにつながる可能性がある。 textbfCross- domain item representation textbfAlignment for textbfCross-textbfDomain textbfSequential textbfRecommendationを提案する。
  論文  参考訳（メタデータ） (2024-05-21T03:25:32Z)
• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• One Model for All: Large Language Models are Domain-Agnostic Recommendation Systems [43.79001185418127]
  本稿では,事前学習された大規模言語モデル(LLM)をドメインに依存しない推薦に利用するフレームワークを提案する。 具体的には、複数のドメインやアイテムタイトルからのユーザの振る舞いを文に混ぜて、ユーザとアイテムの表現を生成するためにLLMを使用する。
  論文  参考訳（メタデータ） (2023-10-22T13:56:14Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• DDGHM: Dual Dynamic Graph with Hybrid Metric Training for Cross-Domain Sequential Recommendation [15.366783212837515]
  Sequential Recommendation (SR) は、ユーザがアイテム間を移動する方法をモデル化することによって、ユーザの行動の進化パターンを特徴付ける。 この問題を解決するため、我々はクロスドメインシーケンスレコメンデーション(CDSR)に焦点を当てる。 本稿では,CDSR問題のための新しいフレームワークであるDDGHMを提案する。
  論文  参考訳（メタデータ） (2022-09-21T07:53:06Z)
• 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)
• Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction [76.98616102965023]
  クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。 本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T01:21:21Z)

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。