論文の概要: Beyond Negative Transfer: Disentangled Preference-Guided Diffusion for Cross-Domain Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2509.00389v1
• Date: Sat, 30 Aug 2025 06:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.210972
• Title: Beyond Negative Transfer: Disentangled Preference-Guided Diffusion for Cross-Domain Sequential Recommendation
• Title（参考訳）: 負の移動を超越する:クロスドメインシークエンシャルレコメンデーションのための遠方性選好誘導拡散
• Authors: Xiaoxin Ye, Chengkai Huang, Hongtao Huang, Lina Yao,
• Abstract要約: DPG-DiffはDisentangled Preference-Guided Diffusion Modelである。 ユーザの好みをドメイン不変およびドメイン固有のコンポーネントに分解し、逆拡散プロセスを共同でガイドする。 複数のメトリクスにまたがって、最先端のベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 13.331414627413674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-Domain Sequential Recommendation (CDSR) leverages user behaviors across domains to enhance recommendation quality. However, naive aggregation of sequential signals can introduce conflicting domain-specific preferences, leading to negative transfer. While Sequential Recommendation (SR) already suffers from noisy behaviors such as misclicks and impulsive actions, CDSR further amplifies this issue due to domain heterogeneity arising from diverse item types and user intents. The core challenge is disentangling three intertwined signals: domain-invariant preferences, domain-specific preferences, and noise. Diffusion Models (DMs) offer a generative denoising framework well-suited for disentangling complex user preferences and enhancing robustness to noise. Their iterative refinement process enables gradual denoising, making them effective at capturing subtle preference signals. However, existing applications in recommendation face notable limitations: sequential DMs often conflate shared and domain-specific preferences, while cross-domain collaborative filtering DMs neglect temporal dynamics, limiting their ability to model evolving user preferences. To bridge these gaps, we propose \textbf{DPG-Diff}, a novel Disentangled Preference-Guided Diffusion Model, the first diffusion-based approach tailored for CDSR, to or best knowledge. DPG-Diff decomposes user preferences into domain-invariant and domain-specific components, which jointly guide the reverse diffusion process. This disentangled guidance enables robust cross-domain knowledge transfer, mitigates negative transfer, and filters sequential noise. Extensive experiments on real-world datasets demonstrate that DPG-Diff consistently outperforms state-of-the-art baselines across multiple metrics.
• Abstract（参考訳）: Cross-Domain Sequential Recommendation (CDSR)は、ドメイン間のユーザの振る舞いを活用して推奨品質を高める。 しかし、シーケンシャルシグナルの自然な集約は、矛盾するドメイン固有の嗜好を導入し、負の伝達を引き起こす。 逐次勧告(Sequential Recommendation, SR)は, ミスクリックや衝動行動などのノイズに悩まされているが, CDSRでは, 多様な項目タイプやユーザ意図から生じるドメインの不均一性により, この問題をさらに増幅している。 主な課題は、ドメイン不変の好み、ドメイン固有の好み、ノイズの3つの絡み合った信号を切り離すことである。 Diffusion Models (DM) は、複雑なユーザの嗜好を解消し、ノイズに対する堅牢性を高めるために適した生成的デノゲーションフレームワークを提供する。 反復的精錬工程は段階的な脱臭を可能にし、微妙な選好信号の捕捉に有効である。 シーケンシャルDMは共有とドメイン固有の好みを分割することが多いが、クロスドメイン協調フィルタリングDMは時間的ダイナミクスを無視し、進化するユーザの好みをモデル化する能力を制限する。 これらのギャップを埋めるために,CDSRに適した拡散に基づく新しい拡散モデルである「textbf{DPG-Diff}」を提案する。 DPG-Diffは、ユーザの好みをドメイン不変およびドメイン固有コンポーネントに分解し、逆拡散プロセスを共同で導く。 この不整合誘導は、堅牢なドメイン間知識伝達を可能にし、負の伝達を緩和し、シーケンシャルノイズをフィルタする。 実世界のデータセットに関する大規模な実験は、DPG-Diffが複数のメトリクスにわたって、最先端のベースラインを一貫して上回っていることを示している。

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)
• Enhancing Transferability and Consistency in Cross-Domain Recommendations via Supervised Disentanglement [13.553355329509243]
  クロスドメインレコメンデーションは、ドメイン間で知識を伝達することで、データの疎さを軽減することを目的としている。 分散表現学習は、複雑なユーザの好みをモデル化するための効果的なソリューションを提供する。 本稿では,GNN を拡張したエンコーダデコーダフレームワーク DGCDR を提案する。
  論文  参考訳（メタデータ） (2025-07-23T01:29:45Z)
• LLM-RecG: A Semantic Bias-Aware Framework for Zero-Shot Sequential Recommendation [5.512301280728178]
  ゼロショットクロスドメインシーケンシャルレコメンデーション(ZCDSR)は、追加のトレーニングや微調整なしで、目に見えないドメインでの予測を可能にする。 大規模言語モデル(LLM)の最近の進歩は、ドメイン間の知識伝達を容易にすることで、ZCDSRを大幅に強化している。 本稿では,アイテムレベルとシーケンシャルレベルの両方において,ドメイン間のアライメントを改善するセマンティックバイアス対応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-31T15:43:21Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Dual Conditional Diffusion Models for Sequential Recommendation [63.82152785755723]
  シーケンスレコメンデーションのための二重条件拡散モデル(DCRec)を提案する。 DCRecは2つの条件を前と逆の拡散プロセスに埋め込むことで暗黙的および明示的な情報を統合する。 これによってモデルは、明示的なユーザ-イテムインタラクションを活用してレコメンデーションプロセスをガイドしながら、価値あるシーケンシャルおよびコンテキスト情報を保持することができる。
  論文  参考訳（メタデータ） (2024-10-29T11:51:06Z)
• Towards Open-world Cross-Domain Sequential Recommendation: A Model-Agnostic Contrastive Denoising Approach [16.09514981871128]
  クロスドメインシーケンシャルレコメンデーション(CDSR)は、従来のシーケンシャルレコメンデーション(SR)システムに存在するデータ空間の問題に対処することを目的としている。 現実世界のレコメンデーションシステムでは、CDSRシナリオは通常、疎い振る舞いを持つ長い尾を持つユーザーの大多数と、一つのドメインにしか存在しないコールドスタートユーザーで構成される。
  論文  参考訳（メタデータ） (2023-11-08T15:33:06Z)
• Diffusion Recommender Model [85.9640416600725]
  そこで我々は,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,その生成過程を認知的に学習する。 ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。
  論文  参考訳（メタデータ） (2023-04-11T04:31:00Z)
• Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
  循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。 CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。 ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
  論文  参考訳（メタデータ） (2022-12-07T14:12:34Z)
• 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)

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。