論文の概要: Unifying Inductive, Cross-Domain, and Multimodal Learning for Robust and Generalizable Recommendation

• arxiv url: http://arxiv.org/abs/2510.21812v1
• Date: Tue, 21 Oct 2025 10:26:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.536489
• Title: Unifying Inductive, Cross-Domain, and Multimodal Learning for Robust and Generalizable Recommendation
• Title（参考訳）: ロバスト・一般化可能なレコメンデーションのためのインダクティブ・クロスドメイン・マルチモーダル学習の統合
• Authors: Chanyoung Chung, Kyeongryul Lee, Sunbin Park, Joyce Jiyoung Whang,
• Abstract要約: インダクティブモデリング、マルチモーダルガイダンス、ドメイン間転送を融合した統合フレームワークである presentec は、ユーザコンテキストと潜伏した嗜好をキャプチャする。 実験の結果、ecは12のベースラインを上回り、トレーニングデータに制限のあるドメインでは顕著な伸びを示している。
• 参考スコア（独自算出の注目度）: 10.004962831389822
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems have long been built upon the modeling of interactions between users and items, while recent studies have sought to broaden this paradigm by generalizing to new users and items, incorporating diverse information sources, and transferring knowledge across domains. Nevertheless, these efforts have largely focused on individual aspects, hindering their ability to tackle the complex recommendation scenarios that arise in daily consumptions across diverse domains. In this paper, we present MICRec, a unified framework that fuses inductive modeling, multimodal guidance, and cross-domain transfer to capture user contexts and latent preferences in heterogeneous and incomplete real-world data. Moving beyond the inductive backbone of INMO, our model refines expressive representations through modality-based aggregation and alleviates data sparsity by leveraging overlapping users as anchors across domains, thereby enabling robust and generalizable recommendation. Experiments show that MICRec outperforms 12 baselines, with notable gains in domains with limited training data.
• Abstract（参考訳）: 近年の研究では,ユーザとアイテム間のインタラクションをモデル化し,新たなユーザとアイテムに一般化し,多様な情報ソースを組み込んだり,ドメイン間で知識を伝達したりすることで,このパラダイムの拡大を試みている。 しかしながら、これらの取り組みは個々の側面に重点を置いており、様々な領域で日常的に消費される複雑なレコメンデーションシナリオに取り組む能力を阻害している。 本稿では,インダクティブ・モデリング,マルチモーダル・ガイダンス,クロスドメイン・トランスファーを融合したMICRecを提案する。 InMOの帰納的バックボーンを超えて、当社のモデルはモダリティベースのアグリゲーションを通じて表現表現を洗練し、重複するユーザをドメイン間のアンカーとして活用することでデータの疎結合を緩和し、堅牢で一般化可能なレコメンデーションを可能にする。 実験の結果、MICRecは12のベースラインを上回り、トレーニングデータに制限のあるドメインでは顕著な伸びを示している。

関連論文リスト

• Large Language Model Empowered Recommendation Meets All-domain Continual Pre-Training [60.38082979765664]
  CPRecは、レコメンデーションのための全ドメイン連続事前トレーニングフレームワークである。 LLMを連続的な事前学習パラダイムを通じて、普遍的なユーザ行動と整合させる。 2つの異なるプラットフォームから5つの実世界のデータセットを実験する。
  論文  参考訳（メタデータ） (2025-04-11T20:01:25Z)
• i$^2$VAE: Interest Information Augmentation with Variational Regularizers for Cross-Domain Sequential Recommendation [5.300964409946611]
  i$2$VAEは、情報ベースレギュレータによるユーザ関心学習を強化する変分オートエンコーダである。 実験により、i$2$VAEは最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-31T09:07:03Z)
• BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
  我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。 BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
  論文  参考訳（メタデータ） (2024-02-27T09:10:41Z)
• Improving Conversational Recommender System via Contextual and Time-Aware Modeling with Less Domain-Specific Knowledge [25.503407835218773]
  文脈から内部知識を完全に発見・抽出することを提案する。 エンティティレベルとコンテキストレベルの両方の表現をキャプチャして、リコメンデーションのためのユーザの好みを共同でモデル化する。 我々のモデルは、外部知識の少ないほとんどの評価指標においてより良い性能を達成し、他の領域によく一般化する。
  論文  参考訳（メタデータ） (2022-09-23T03:30:22Z)
• 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)
• RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation [19.61356871656398]
  ドメイン間のレコメンデーションは、従来のシーケンシャルなレコメンデーションシステムにおけるデータスパリティの問題を軽減するのに役立つ。 本稿では,ドメイン間のユーザ情報を逐次レコメンデーションに組み込んだ汎用ユーザ表現(GUR)を生成するためのRecGURUアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-19T08:41:06Z)
• 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。