論文の概要: From IDs to Semantics: A Generative Framework for Cross-Domain Recommendation with Adaptive Semantic Tokenization

• arxiv url: http://arxiv.org/abs/2511.08006v2
• Date: Sun, 16 Nov 2025 06:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.183426
• Title: From IDs to Semantics: A Generative Framework for Cross-Domain Recommendation with Adaptive Semantic Tokenization
• Title（参考訳）: IDからセマンティックスへ:適応的セマンティックトークン化を用いたクロスドメイン勧告のための生成フレームワーク
• Authors: Peiyu Hu, Wayne Lu, Jia Wang,
• Abstract要約: クロスドメインレコメンデーションは、レコメンデーションの精度と一般化を改善するために不可欠である。 多くの取り組みは、ドメインギャップを埋めるために、マルチドメインのジョイントトレーニングを通じて、絡み合った表現を学ぶことに重点を置いている。 最近のLarge Language Model(LLM)ベースのアプローチは、将来性を示しているが、それでも重要な課題に直面している。 textbfGenerative textbfCross-textbfDomain textbfRecommendation frameworkを提案する。
• 参考スコア（独自算出の注目度）: 3.4546102059619526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation (CDR) is crucial for improving recommendation accuracy and generalization, yet traditional methods are often hindered by the reliance on shared user/item IDs, which are unavailable in most real-world scenarios. Consequently, many efforts have focused on learning disentangled representations through multi-domain joint training to bridge the domain gaps. Recent Large Language Model (LLM)-based approaches show promise, they still face critical challenges, including: (1) the \textbf{item ID tokenization dilemma}, which leads to vocabulary explosion and fails to capture high-order collaborative knowledge; and (2) \textbf{insufficient domain-specific modeling} for the complex evolution of user interests and item semantics. To address these limitations, we propose \textbf{GenCDR}, a novel \textbf{Gen}erative \textbf{C}ross-\textbf{D}omain \textbf{R}ecommendation framework. GenCDR first employs a \textbf{Domain-adaptive Tokenization} module, which generates disentangled semantic IDs for items by dynamically routing between a universal encoder and domain-specific adapters. Symmetrically, a \textbf{Cross-domain Autoregressive Recommendation} module models user preferences by fusing universal and domain-specific interests. Finally, a \textbf{Domain-aware Prefix-tree} enables efficient and accurate generation. Extensive experiments on multiple real-world datasets demonstrate that GenCDR significantly outperforms state-of-the-art baselines. Our code is available in the supplementary materials.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、レコメンデーションの精度と一般化を改善するために重要であるが、ほとんどの現実世界では利用できない共有ユーザ/イテムIDへの依存によって、従来の手法が妨げられていることが多い。 その結果、ドメインギャップを埋める多分野共同トレーニングを通じて、非絡み合い表現の学習に多くの努力が注がれた。 最近のLarge Language Model (LLM) ベースのアプローチは、(1)語彙の爆発を招き、高次協調的な知識を捉えない \textbf{item IDトークン化ジレンマ}、(2)ユーザの興味やアイテムセマンティクスの複雑な進化のための \textbf{insufficient domain-specific modeling} といった重要な課題に直面している。 これらの制約に対処するために、新しい \textbf{Gen}erative \textbf{C}ross-\textbf{D}omain \textbf{R}ecommendation framework である \textbf{Gen}erative \textbf{C}ross-\textbf{D}omain \textbf{R}ecommendation framework を提案する。 GenCDR は、まず \textbf{Domain-adaptive Tokenization} モジュールを使用し、ユニバーサルエンコーダとドメイン固有のアダプタ間の動的ルーティングによってアイテムのアンタングルドセマンティックIDを生成する。 対称的に、 \textbf{Cross- domain Autoregressive Recommendation}モジュールは、普遍的およびドメイン固有の関心を融合することによって、ユーザの好みをモデル化する。 最後に、textbf{Domain-aware Prefix-tree} は効率的で正確な生成を可能にする。 複数の実世界のデータセットに対する大規模な実験は、GenCDRが最先端のベースラインを大幅に上回っていることを示している。 私たちのコードは補足資料で利用可能です。

関連論文リスト

• RecBase: Generative Foundation Model Pretraining for Zero-Shot Recommendation [78.01030342481246]
  RecBaseは、レコメンデーション指向の目的によって事前訓練されたドメインに依存しない基礎モデルである。 アイテムを階層的な概念識別子にエンコードする統一されたアイテムトークンを導入します。 我々のモデルは、ゼロショットおよびクロスドメインレコメンデーションタスクにおいて、LLMのベースラインの最大7Bパラメータのパフォーマンスを一致または超過します。
  論文  参考訳（メタデータ） (2025-09-03T08:33:43Z)
• Text-Driven Causal Representation Learning for Source-Free Domain Generalization [82.75041792888274]
  我々は、ソースフリー領域一般化設定に因果推論を統合する最初の方法であるTDCRLを提案する。 我々のアプローチは、堅牢でドメイン不変な特徴を達成するための明確で効果的なメカニズムを提供し、堅牢な一般化を保証する。
  論文  参考訳（メタデータ） (2025-07-14T06:20:42Z)
• Bridge the Domains: Large Language Models Enhanced Cross-domain Sequential Recommendation [30.116213884571803]
  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、様々なドメインにわたるユーザの歴史的なインタラクションから好みを抽出することを目的としている。 既存のCDSRメソッドは、クロスドメインアイテムの関係を学習するために、すべてのドメインでインタラクションを所有するユーザに依存している。 強力な表現力と推論能力により、LLM(Large Language Models)はこれらの2つの問題に対処することを約束している。
  論文  参考訳（メタデータ） (2025-04-25T14:30:25Z)
• Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
  Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。 本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T09:19:54Z)
• 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)
• Learning Partially Aligned Item Representation for Cross-Domain Sequential Recommendation [72.73379646418435]
  クロスドメインシーケンシャルレコメンデーションは、ドメイン間でのユーザのシーケンシャルな好みを明らかにすることを目的としている。 ミスアライメントアイテム表現は、サブ最適シーケンシャルモデリングとユーザ表現アライメントにつながる可能性がある。 textbfCross- domain item representation textbfAlignment for textbfCross-textbfDomain textbfSequential textbfRecommendationを提案する。
  論文  参考訳（メタデータ） (2024-05-21T03:25:32Z)
• Review-Based Hyperbolic Cross-Domain Recommendation [3.4498722449655066]
  Cross-Domain Recommendation (CDR)は、ドメイン共有可能な知識をキャプチャし、よりリッチなドメインからスパサーに転送する。 本稿では,ユーザ・イテム関係をモデル化するためのレビューテキストに基づく双曲型CDR手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T17:15:21Z)

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。