論文の概要: Gaussian Mixture Flow Matching with Domain Alignment for Multi-Domain Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2510.21021v1
- Date: Thu, 23 Oct 2025 22:11:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 06:57:23.361614
- Title: Gaussian Mixture Flow Matching with Domain Alignment for Multi-Domain Sequential Recommendation
- Title（参考訳）: 多領域シーケンスレコメンデーションのための領域アライメントとガウス混合流れのマッチング
- Authors: Xiaoxin Ye, Chengkai Huang, Hongtao Huang, Lina Yao,
- Abstract要約: 我々は,ドメイン認識遷移軌跡をモデル化したMDSRの効率的な生成フレームワークである textitGMFlowRec を提案する。
JDとAmazonのデータセットの実験は、GMFlowRecが最先端のパフォーマンスを達成し、NDCG@5.1で最大44%改善したことを示している。
- 参考スコア（独自算出の注目度）: 13.331414627413674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Users increasingly interact with content across multiple domains, resulting in sequential behaviors marked by frequent and complex transitions. While Cross-Domain Sequential Recommendation (CDSR) models two-domain interactions, Multi-Domain Sequential Recommendation (MDSR) introduces significantly more domain transitions, compounded by challenges such as domain heterogeneity and imbalance. Existing approaches often overlook the intricacies of domain transitions, tend to overfit to dense domains while underfitting sparse ones, and struggle to scale effectively as the number of domains increases. We propose \textit{GMFlowRec}, an efficient generative framework for MDSR that models domain-aware transition trajectories via Gaussian Mixture Flow Matching. GMFlowRec integrates: (1) a unified dual-masked Transformer to disentangle domain-invariant and domain-specific intents, (2) a Gaussian Mixture flow field to capture diverse behavioral patterns, and (3) a domain-aligned prior to support frequent and sparse transitions. Extensive experiments on JD and Amazon datasets demonstrate that GMFlowRec achieves state-of-the-art performance with up to 44\% improvement in NDCG@5, while maintaining high efficiency via a single unified backbone, making it scalable for real-world multi-domain sequential recommendation.
- Abstract（参考訳）: ユーザは、複数のドメインにわたるコンテンツと対話しやすくなり、頻繁で複雑な遷移を特徴とするシーケンシャルな振る舞いが生まれる。
クロスドメインシークエンシャルレコメンデーション(CDSR)は2つのドメインの相互作用をモデル化するが、マルチドメインシークエンシャルレコメンデーション(MDSR)はドメインの異質性や不均衡といった課題によって複合された、はるかに多くのドメイン遷移を導入する。
既存のアプローチは、しばしばドメイン遷移の複雑さを見落とし、疎いドメインを不適合にしながら密度の高いドメインに過度に適合する傾向にあり、ドメインの数が増えるにつれて効果的にスケールするのに苦労する。
本稿では,Gaussian Mixture Flow Matchingによるドメイン認識遷移軌跡をモデル化したMDSRの効率的な生成フレームワークである‘textit{GMFlowRec} を提案する。
GMFlowRecは、(1)ドメイン不変およびドメイン固有なインテントをアンタングルする統合されたデュアルマッシュトランスフォーマー、(2)多様な振る舞いパターンをキャプチャするガウス混合フローフィールド、(3)頻繁かつスパースなトランジションをサポートするためのドメイン整合性。
JDとAmazonのデータセットに関する大規模な実験は、GMFlowRecがNDCG@5で最大44倍の改善を達成し、単一の統一バックボーンを通じて高い効率を保ち、実世界のマルチシーケンシャルレコメンデーションにスケーラブルであることを示している。
関連論文リスト
- Efficient Large-Scale Cross-Domain Sequential Recommendation with Dynamic State Representations [36.44078481424322]
本稿では、ドメイン間の注意を2つの革新的なメカニズムに置き換えることで、スケーラブルなマルチドメインレコメンデーションシステムのための新しいアプローチを提案する。
まず,ドメイン遷移固有情報を考慮した新しい位置埋め込みを提案する。
第二に、各ドメインの動的状態表現を導入し、その後のトークン予測中に保存およびアクセスする。
論文 参考訳（メタデータ） (2025-08-28T16:05:42Z) - 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) - ABXI: Invariant Interest Adaptation for Task-Guided Cross-Domain Sequential Recommendation [6.234890828342688]
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、最近、ドメイン間で知識を伝達することでデータの疎結合に対応するために注目を集めている。
鍵となる課題は、これらのシーケンス間で共有された知識を正しく抽出し、適切に転送することである。
本稿では,A-B-Cross-to-Invariant Learning Recommender (ABXI)を提案する。
論文 参考訳（メタデータ） (2025-01-25T08:09:37Z) - Investigating the potential of Sparse Mixtures-of-Experts for multi-domain neural machine translation [59.41178047749177]
トレーニング中に見られるさまざまなドメインのデータを扱うことができ、トレーニング中に見つからないドメインに対して堅牢な効率的なモデルを開発することを目的として、マルチドメインニューラルネットワーク翻訳に重点を置いている。
SMOE(Sparse Mixture-of-Experts)モデルは、効率的なモデルスケーリングを可能にするため、このタスクに適していると仮定する。
マルチドメインシナリオにおけるSMoEの有用性を検証するための一連の実験を行い、Transformerの簡単な幅スケーリングは、実際はよりシンプルで驚くほど効率的なアプローチであり、SMoEと同等の性能レベルに達することを発見した。
論文 参考訳（メタデータ） (2024-07-01T09:45:22Z) - HAMUR: Hyper Adapter for Multi-Domain Recommendation [49.87140704564021]
マルチドメインレコメンデーション(HAMUR)のための新しいモデルHyper Adapterを提案する。
HamURは2つのコンポーネントから構成される。
HamURは暗黙的にドメイン間の共有情報をキャプチャし、アダプタのパラメータを動的に生成する。
論文 参考訳（メタデータ） (2023-09-12T13:34:33Z) - 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) - 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) - Cross-Domain Grouping and Alignment for Domain Adaptive Semantic
Segmentation [74.3349233035632]
深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。
学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。
本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
論文 参考訳（メタデータ） (2020-12-15T11:36:21Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - MADAN: Multi-source Adversarial Domain Aggregation Network for Domain
Adaptation [58.38749495295393]
ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。
近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。
これらの課題に対処するための新しいMDAフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T21:22:00Z)
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。