論文の概要: Modeling User Preferences as Distributions for Optimal Transport-based Cross-domain Recommendation under Non-overlapping Settings

• arxiv url: http://arxiv.org/abs/2508.16210v1
• Date: Fri, 22 Aug 2025 08:32:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.319113
• Title: Modeling User Preferences as Distributions for Optimal Transport-based Cross-domain Recommendation under Non-overlapping Settings
• Title（参考訳）: 重複しない設定条件下での最適輸送型クロスドメイン勧告の分布としてのユーザ嗜好のモデル化
• Authors: Ziyin Xiao, Toyotaro Suzumura,
• Abstract要約: CDR(Cross-Domain Recommender)システムは、知識を密度の高いドメインからスパースドメインに転送することを目的としている。 非重複CDRのためのフレームワークであるDUP-OT(Distributional User Preferences with Optimal Transport)を提案する。
• 参考スコア（独自算出の注目度）: 2.6702407675200086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-Domain Recommender (CDR) systems aim to transfer knowledge from dense to sparse domains, alleviating data sparsity and cold-start issues in single-domain recommendation. While many methods assume overlapping users or items to connect domains, this is often unrealistic in real-world settings. Thus, non-overlapping CDR systems, which require no shared users or items, are needed. However, non-overlapping CDR is challenging due to: (1) the absence of overlap preventing direct bridges between domains, and (2) large distributional discrepancies degrading transfer performance. Moreover, most recommenders represent user preferences as discrete vectors, failing to capture their fine-grained, multi-faceted nature. We propose DUP-OT (Distributional User Preferences with Optimal Transport), a framework for non-overlapping CDR. DUP-OT has three stages: (1) Shared Preprocessing, where review-based embeddings and an autoencoder encode users and items from both domains; (2) User GMM Weight Learning, which models user preferences as Gaussian mixtures with learned weights; and (3) Cross-domain Rating Prediction, where optimal transport aligns Gaussian components across domains, enabling preference transfer from source to target. Experiments on Amazon review datasets show that DUP-OT effectively mitigates domain discrepancy and outperforms state-of-the-art baselines under the non-overlapping CDR setting.
• Abstract（参考訳）: CDR(Cross-Domain Recommender)システムは、密度の高いドメインから疎いドメインへの知識伝達を目標としており、単一ドメインの推奨においてデータの分散とコールドスタートの問題を軽減する。 多くのメソッドは重複するユーザやドメインを接続するアイテムを前提としていますが、現実の環境では非現実的です。 したがって、共有ユーザやアイテムを必要としない非重複CDRシステムが必要である。 しかし,1)ドメイン間の直接ブリッジの重複の欠如,(2)転送性能の低下など,重複しないCDRは困難である。 さらに、ほとんどのレコメンデータは、ユーザの好みを離散ベクトルとして表現しており、細粒度で多面的な性質を捉えていない。 非重複CDRのためのフレームワークであるDUP-OT(Distributional User Preferences with Optimal Transport)を提案する。 DUP-OTは、(1)レビューベースの埋め込みと自動エンコーダが両方のドメインからユーザとアイテムをエンコードする共有前処理、(2)ユーザの好みを学習したウェイトとの混合としてモデル化するユーザGMM重み学習、(3)ドメイン間レーティング予測、(3)最適なトランスポートがドメイン間でガウス成分を整合させ、ソースからターゲットへの優先的な転送を可能にする。 Amazonのレビューデータセットの実験によると、DUP-OTはドメインの不一致を効果的に軽減し、重複しないCDR設定で最先端のベースラインを上回っている。

関連論文リスト

• Align-for-Fusion: Harmonizing Triple Preferences via Dual-oriented Diffusion for Cross-domain Sequential Recommendation [5.661192070842017]
  クロスドメインシーケンシャルレコメンデーション(CDSR)メソッドは、しばしばアライメント・then-fusionパラダイムに従う。 本稿では,CDSR のためのアライメント・フォー・フュージョン・フレームワークを提案し,二方向DM であるHorizonRec を用いて三重選好を調和させる。 2つの異なるプラットフォームからの4つのCDSRデータセットの実験は、HorizonRecの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2025-08-07T07:00:29Z)
• Leave No One Behind: Fairness-Aware Cross-Domain Recommender Systems for Non-Overlapping Users [13.420661387194148]
  クロスドメインレコメンデーション(CDR)メソッドは、重複するユーザを利用して、ソースドメインからターゲットドメインに知識を転送する。 本稿では,重複しないターゲットドメインユーザに対して,仮想ソースドメインユーザを生成する新しいソリューションを提案する。 本手法は,CDR非重複ユーザのバイアスを,全体的な精度を損なうことなく効果的に軽減する。
  論文  参考訳（メタデータ） (2025-07-23T17:59:08Z)
• Leveraging Multimodal Data and Side Users for Diffusion Cross-Domain Recommendation [23.27301183474805]
  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。
  論文  参考訳（メタデータ） (2025-07-05T10:57:29Z)
• Causal-Invariant Cross-Domain Out-of-Distribution Recommendation [15.522907452605788]
  Cross-Domain Recommendation (CDR)は、データ空間の問題に対処するために、比較的データリッチなソースドメインからの知識を活用することを目的としている。 CDR法は異なる領域間の分布シフトに対処する必要があるが、通常は独立分布と同一分布を仮定する。 そこで我々はCICDORと呼ばれる新しいCausal-Invariant Cross-Domain Out-of-distribution Recommendationフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-22T11:21:51Z)
• MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation [63.27390451208503]
  クロスドメインレコメンデーションシステムは、マルチドメインユーザインタラクションを活用してパフォーマンスを向上させる。 マルチビュー・ディスタングル・アダプティブ・プライスラーニング・フレームワークを提案する。 当社のフレームワークはマルチビューエンコーダを使用して,多様なユーザの好みをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-08T10:06:45Z)
• 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)
• Collaborative Filtering with Attribution Alignment for Review-based Non-overlapped Cross Domain Recommendation [16.213603171466602]
  CDR(Cross-Domain Recommendation)は、様々なドメイン知識を活用して、レコメンデータシステムにおけるデータスパーシリティとコールドスタート問題を解決するために広く研究されている。 本稿では,Review-based Non-overlapped Recommendation (RNCDR)問題に焦点をあてる。 この問題は2つの主要な側面、すなわち、対象ドメインに肯定的なユーザイテム格付けしか存在せず、異なるドメインにまたがって重複するユーザが存在しないため、一般的に存在し難解である。 ほとんどの従来のCDRアプローチは、レビューと他のレビューを効果的に組み合わせることができないため、RCCDRの問題をうまく解決できない。
  論文  参考訳（メタデータ） (2022-02-10T09:22:30Z)
• 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)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)

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。