論文の概要: Leveraging Multimodal Data and Side Users for Diffusion Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2507.04000v1
• Date: Sat, 05 Jul 2025 10:57:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.967597
• Title: Leveraging Multimodal Data and Side Users for Diffusion Cross-Domain Recommendation
• Title（参考訳）: 拡散クロスドメインレコメンデーションのためのマルチモーダルデータとサイドユーザの利用
• Authors: Fan Zhang, Jinpeng Chen, Huan Li, Senzhang Wang, Yuan Cao, Kaimin Wei, JianXiang He, Feifei Kou, Jinqing Wang,
• Abstract要約: クロスドメインレコメンデーション(CDR)は、Recommender Systemsの永続的なコールドスタート問題に対処することを目的としている。 拡散クロスドメインレコメンデーション(MuSiC)のためのマルチモーダルデータとサイドユーザを利用したモデルを提案する。 MuSiCは最先端のパフォーマンスを実現し、選択されたすべてのベースラインを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 23.27301183474805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation (CDR) aims to address the persistent cold-start problem in Recommender Systems. Current CDR research concentrates on transferring cold-start users' information from the auxiliary domain to the target domain. However, these systems face two main issues: the underutilization of multimodal data, which hinders effective cross-domain alignment, and the neglect of side users who interact solely within the target domain, leading to inadequate learning of the target domain's vector space distribution. To address these issues, we propose a model leveraging Multimodal data and Side users for diffusion Cross-domain recommendation (MuSiC). We first employ a multimodal large language model to extract item multimodal features and leverage a large language model to uncover user features using prompt learning without fine-tuning. Secondly, we propose the cross-domain diffusion module to learn the generation of feature vectors in the target domain. This approach involves learning feature distribution from side users and understanding the patterns in cross-domain transformation through overlapping users. Subsequently, the trained diffusion module is used to generate feature vectors for cold-start users in the target domain, enabling the completion of cross-domain recommendation tasks. Finally, our experimental evaluation of the Amazon dataset confirms that MuSiC achieves state-of-the-art performance, significantly outperforming all selected baselines. Our code is available: https://anonymous.4open.science/r/MuSiC-310A/.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、Recommender Systemsの永続的なコールドスタート問題に対処することを目的としている。 現在のCDR研究は、コールドスタート利用者の情報を補助ドメインからターゲットドメインへ転送することに集中している。 しかし、これらのシステムは、効果的なドメイン間アライメントを妨げるマルチモーダルデータの未利用と、ターゲットドメイン内でのみ相互作用するサイドユーザの無視という2つの主な問題に直面し、ターゲットドメインのベクトル空間分布の不十分な学習に繋がる。 これらの問題に対処するため、拡散クロスドメインレコメンデーション(MuSiC)において、マルチモーダルデータとサイドユーザーを利用するモデルを提案する。 まず,多モーダルな言語モデルを用いて項目の多モーダルな特徴を抽出し,大規模言語モデルを用いて素早い学習によるユーザ特徴の発見を行う。 次に,対象領域における特徴ベクトルの生成を学習するクロスドメイン拡散モジュールを提案する。 このアプローチでは、サイドユーザから機能の分散を学び、重複するユーザを通じてドメイン間の変換のパターンを理解する。 その後、トレーニングされた拡散モジュールを使用して、ターゲットドメイン内のコールドスタートユーザのための特徴ベクトルを生成し、クロスドメインレコメンデーションタスクの完了を可能にする。 最後に、Amazonデータセットの実験的評価により、MuSiCが最先端のパフォーマンスを達成し、選択されたベースラインを著しく上回っていることを確認した。 私たちのコードは、https://anonymous.4open.science/r/MuSiC-310A/です。

関連論文リスト

• 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)
• MIMNet: Multi-Interest Meta Network with Multi-Granularity Target-Guided Attention for Cross-domain Recommendation [6.7902741961967]
  クロスドメインレコメンデーション(CDR)は、スパーシリティとコールドスタートの問題を緩和する上で重要な役割を果たす。 クロスドメインレコメンデーションのためのMIMNet(Multi-interest Meta Network)を提案する。
  論文  参考訳（メタデータ） (2024-07-31T13:30:34Z)
• 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)
• 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)
• Multi-Modal Cross-Domain Alignment Network for Video Moment Retrieval [55.122020263319634]
  ビデオモーメント検索(VMR)は、与えられた言語クエリに従って、未編集のビデオからターゲットモーメントをローカライズすることを目的としている。 本稿では、新しいタスクであるクロスドメインVMRに焦点を当て、完全なアノテーション付きデータセットをひとつのドメインで利用できるが、関心のあるドメインは、注釈なしのデータセットのみを含む。 本稿では、アノテーションの知識をソースドメインからターゲットドメインに転送するマルチモーダル・クロスドメインアライメント・ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-23T12:58:20Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• 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)
• Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users [31.949188328354854]
  クロスドメインレコメンデーション(CDR)は、補助的な(ソース)ドメインからの豊富な情報を使用して、ターゲットドメインにおけるレコメンダシステムの性能を改善する。 トランスファーステージとメタステージを有するCDR(TMCDR)のためのトランスファーメタフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-11T05:15:53Z)
• CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network [49.35977893592626]
  コールドスタートユーザのためのアスペクト転送ネットワークによるクロスドメインレコメンデーションフレームワーク(CATN)を提案する。 CATNは、レビュー文書から各ユーザと各アイテムの複数のアスペクトを抽出し、注意機構を用いてドメイン間のアスペクト相関を学習する。 実世界のデータセットでは、提案したCATNは、評価予測精度の点でSOTAモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-05-21T10:05:19Z)

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。