論文の概要: LLM-EDT: Large Language Model Enhanced Cross-domain Sequential Recommendation with Dual-phase Training

• arxiv url: http://arxiv.org/abs/2511.19931v1
• Date: Tue, 25 Nov 2025 05:18:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.28234
• Title: LLM-EDT: Large Language Model Enhanced Cross-domain Sequential Recommendation with Dual-phase Training
• Title（参考訳）: LLM-EDT:大言語モデルによる二重位相学習によるクロスドメインシーケンス勧告の強化
• Authors: Ziwei Liu, Qidong Liu, Wanyu Wang, Yejing Wang, Tong Xu, Wei Huang, Chong Chen, Peng Chuan, Xiangyu Zhao,
• Abstract要約: クロスドメインシーケンスレコメンデーション (CDSR) は、様々なドメインからの情報を取り入れることで、ユーザとイテムのインタラクションを強化するために提案されている。 現在の進歩にもかかわらず、不均衡問題と移行問題はCDSRのさらなる発展を妨げる。 デュアルフェーズトレーニング(LLM-EDT)によるLLMの拡張型クロスドメインシーケンスレコメンデーションを提案する。
• 参考スコア（独自算出の注目度）: 53.539682966282534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain Sequential Recommendation (CDSR) has been proposed to enrich user-item interactions by incorporating information from various domains. Despite current progress, the imbalance issue and transition issue hinder further development of CDSR. The former one presents a phenomenon that the interactions in one domain dominate the entire behavior, leading to difficulty in capturing the domain-specific features in the other domain. The latter points to the difficulty in capturing users' cross-domain preferences within the mixed interaction sequence, resulting in poor next-item prediction performance for specific domains. With world knowledge and powerful reasoning ability, Large Language Models (LLMs) partially alleviate the above issues by performing as a generator and an encoder. However, current LLMs-enhanced CDSR methods are still under exploration, which fail to recognize the irrelevant noise and rough profiling problems. Thus, to make peace with the aforementioned challenges, we proposed an LLMs Enhanced Cross-domain Sequential Recommendation with Dual-phase Training ({LLM-EDT}). To address the imbalance issue while introducing less irrelevant noise, we first propose the transferable item augmenter to adaptively generate possible cross-domain behaviors for users. Then, to alleviate the transition issue, we introduce a dual-phase training strategy to empower the domain-specific thread with a domain-shared background. As for the rough profiling problem, we devise a domain-aware profiling module to summarize the user's preference in each domain and adaptively aggregate them to generate comprehensive user profiles. The experiments on three public datasets validate the effectiveness of our proposed LLM-EDT. To ease reproducibility, we have released the detailed code online at {https://anonymous.4open.science/r/LLM-EDT-583F}.
• Abstract（参考訳）: クロスドメインシーケンスレコメンデーション(CDSR)は、様々なドメインからの情報を取り入れることで、ユーザとイテムのインタラクションを強化するために提案されている。 現在の進歩にもかかわらず、不均衡問題と移行問題はCDSRのさらなる発展を妨げる。 前者は、あるドメイン内の相互作用が全ての振舞いを支配する現象を示し、他のドメインのドメイン固有の特徴を捉えるのに困難をもたらす。 後者は、混合相互作用シーケンス内でユーザのクロスドメイン嗜好をキャプチャすることの難しさを指摘する。 世界的知識と強力な推論能力により、LLM(Large Language Models)は、ジェネレータとエンコーダとして実行することにより、上記の問題を部分的に緩和する。 しかし、現在のLCMの強化CDSR法はまだ探索中であり、ノイズや粗いプロファイリングの問題を認識できない。 そこで, 上記の課題に対処するため, デュアルフェーズトレーニング({LLM-EDT})を用いたLLM拡張クロスドメインシークエンシャルレコメンデーションを提案した。 この不均衡問題に対処するために,まず,ユーザに対して可能なクロスドメイン動作を適応的に生成するトランスファー可能なアイテム拡張器を提案する。 そして、遷移問題を緩和するため、ドメイン共有された背景を持つドメイン固有スレッドを強化するための二重フェーズトレーニング戦略を導入する。 粗いプロファイリング問題に関して、各ドメインにおけるユーザの好みを要約し、それらを適応的に集約して包括的なユーザプロファイルを生成するドメイン対応プロファイリングモジュールを考案する。 提案したLLM-EDTの有効性を3つの公開データセットで検証した。 再現性を容易にするため、詳細コードはhttps://anonymous.4open.science/r/LLM-EDT-583F}でオンラインで公開しました。

関連論文リスト

• Gaussian Mixture Flow Matching with Domain Alignment for Multi-Domain Sequential Recommendation [13.331414627413674]
  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。
  論文  参考訳（メタデータ） (2025-10-23T22:11:26Z)
• Beyond Negative Transfer: Disentangled Preference-Guided Diffusion for Cross-Domain Sequential Recommendation [13.331414627413674]
  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。
  論文  参考訳（メタデータ） (2025-08-30T06:56:56Z)
• 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)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• 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)
• Role Prompting Guided Domain Adaptation with General Capability Preserve for Large Language Models [55.51408151807268]
  特定のドメインに合わせると、LLM(Large Language Models)は破滅的な忘れを経験する傾向がある。 同時に複数のドメインのための汎用モデルを構築することで、全体的なパフォーマンスが低下することが多い。 RolE Prompting Guided Multi-Domain Adaptation (REGA) 戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-05T08:22:41Z)
• 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)
• A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
  クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。 最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。 第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
  論文  参考訳（メタデータ） (2021-12-08T15:14:26Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、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） (2021-08-28T09:29:14Z)

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。