論文の概要: A Soft-partitioned Semi-supervised Collaborative Transfer Learning Approach for Multi-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2511.01404v1
• Date: Mon, 03 Nov 2025 09:58:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.21111
• Title: A Soft-partitioned Semi-supervised Collaborative Transfer Learning Approach for Multi-Domain Recommendation
• Title（参考訳）: ソフトパーティショニング型半教師型協調移動学習手法によるマルチドメイン勧告
• Authors: Xiaoyu Liu, Yiqing Wu, Ruidong Han, Fuzhen Zhuang, Xiang Li, Wei Lin,
• Abstract要約: マルチドメインレコメンデーションのためのSSCTL(Soft-partitioned Semi-supervised Collaborative Transfer Learning)を提案する。 SSCTLは、圧倒的な問題に対処するために動的パラメータを生成し、非支配ドメインからのサンプルに焦点を移す。 オンラインテストは様々な領域で大幅に改善され、GMVは0.54%から2.90%に、CTRは0.22%から1.69%に改善された。
• 参考スコア（独自算出の注目度）: 33.21794937808597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In industrial practice, Multi-domain Recommendation (MDR) plays a crucial role. Shared-specific architectures are widely used in industrial solutions to capture shared and unique attributes via shared and specific parameters. However, with imbalanced data across different domains, these models face two key issues: (1) Overwhelming: Dominant domain data skews model performance, neglecting non-dominant domains. (2) Overfitting: Sparse data in non-dominant domains leads to overfitting in specific parameters. To tackle these challenges, we propose Soft-partitioned Semi-supervised Collaborative Transfer Learning (SSCTL) for multi-domain recommendation. SSCTL generates dynamic parameters to address the overwhelming issue, thus shifting focus towards samples from non-dominant domains. To combat overfitting, it leverages pseudo-labels with weights from dominant domain instances to enhance non-dominant domain data. We conduct comprehensive experiments, both online and offline, to validate the efficacy of our proposed method. Online tests yielded significant improvements across various domains, with increases in GMV ranging from 0.54% to 2.90% and enhancements in CTR ranging from 0.22% to 1.69%.
• Abstract（参考訳）: 産業実践においては、MDR(Multi-domain Recommendation)が重要な役割を担っている。 共有特化アーキテクチャは、共有パラメータと特定のパラメータを通して共有属性とユニークな属性をキャプチャするために、産業ソリューションで広く使用されている。 しかし、異なるドメインにまたがる不均衡なデータでは、これらのモデルは2つの主要な問題に直面している。 2) オーバーフィッティング: 非支配領域におけるスパースデータは、特定のパラメータのオーバーフィッティングにつながる。 これらの課題に対処するため,マルチドメインレコメンデーションのためのSoft-partitioned Semi-supervised Collaborative Transfer Learning (SSCTL)を提案する。 SSCTLは、圧倒的な問題に対処するために動的パラメータを生成し、非支配ドメインからのサンプルに焦点を移す。 オーバーフィッティングと戦うために、支配的なドメインインスタンスからの重み付き擬似ラベルを活用して、非支配的なドメインデータを強化する。 提案手法の有効性を検証するため,オンラインとオフラインの総合的な実験を行った。 オンラインテストは様々な領域で大幅に改善され、GMVは0.54%から2.90%に、CTRは0.22%から1.69%に改善された。

関連論文リスト

• CDC: Causal Domain Clustering for Multi-Domain Recommendation [32.945861240561]
  マルチドメインレコメンデーションは、ドメイン全般の知識を活用して、複数のドメインにわたるレコメンデーションを改善する。 既存のドメイングループ化メソッドはビジネスロジックやデータ類似性に基づいており、最適なグループ化に必要な真の転送関係をキャプチャできないことが多い。 本稿では,効果的にドメインをクラスタ化するためのCausal Domain Clustering(CDC)を提案する。 CDCは、パブリックデータセットや工業環境で50以上のドメインのパフォーマンスを大幅に向上させ、オンラインeCPMの4.9%の増加を実現している。
  論文  参考訳（メタデータ） (2025-07-09T14:15:47Z)
• Measure Domain's Gap: A Similar Domain Selection Principle for Multi-Domain Recommendation [51.74051587372479]
  MDR(Multi-Domain Recommendation)は、異なるドメイン間での転送情報を効果的に活用することにより、望ましいレコメンデーションパフォーマンスを実現する。 本稿では,マルチドメインレコメンデーションのためのシンプルで動的な類似ドメイン選択原理(SDSP)を提案する。 SDSPは既存のMDRメソッドに組み込んだ軽量な手法であり、性能が向上し、過度な時間オーバーヘッドを発生させないことを強調する。
  論文  参考訳（メタデータ） (2025-05-26T17:07:31Z)
• 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)
• Adapting Self-Supervised Representations to Multi-Domain Setups [47.03992469282679]
  現在の最先端の自己教師型アプローチは、個々のドメインで訓練するときに有効であるが、目に見えないドメインでは限定的な一般化を示す。 本稿では,汎用的で軽量なドメイン・ディスタングル・モジュールを提案する。
  論文  参考訳（メタデータ） (2023-09-07T20:05:39Z)
• Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for Multi-Source Domain Adaptation [2.734665397040629]
  マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数のソースドメインからラベル付きターゲットドメインに知識を転送する。 異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。 本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:08:41Z)
• Mixup Regularized Adversarial Networks for Multi-Domain Text Classification [16.229317527580072]
  マルチドメインテキスト分類(MDTC)モデルの性能は,共有プライベートパラダイムと敵対的トレーニングによって大幅に向上した。 しかし、既存の方法には2つの問題がある。 この2つの問題に対処するために、MRAN(Mixup regularized adversarial network)を提案する。
  論文  参考訳（メタデータ） (2021-01-31T15:24:05Z)
• 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)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation [56.94873619509414]
  従来の教師なしドメイン適応は、限られた数のドメイン間の知識伝達を研究する。 本稿では,特徴不整合とグラム行列の連成学習に基づいて,視覚領域のベクトル表現を提供する新しいDomain2Vecモデルを提案する。 我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。
  論文  参考訳（メタデータ） (2020-07-17T22:05:09Z)
• 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)

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。