論文の概要: S2CDR: Smoothing-Sharpening Process Model for Cross-Domain Recommendation
- arxiv url: http://arxiv.org/abs/2603.02725v1
- Date: Tue, 03 Mar 2026 08:21:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-04 21:38:10.707677
- Title: S2CDR: Smoothing-Sharpening Process Model for Cross-Domain Recommendation
- Title（参考訳）: S2CDR:Smoothing-Sharpening Process Model for Cross-Domain Recommendation
- Authors: Xiaodong Li, Juwei Yue, Xinghua Zhang, Jiawei Sheng, Wenyuan Zhang, Taoyu Su, Zefeng Zhang, Tingwen Liu,
- Abstract要約: クロスドメインレコメンデーション(CDR)は、ユーザによるコールドスタートの課題に対して、非常に効果的な対策として登場した。
本稿では,コールドスタートユーザを対象としたS2CDR(Smoothing-Sharpening Process Model)を提案する。
我々のS2CDRは、従来のSOTA法よりも訓練のない方法で大幅に優れています。
- 参考スコア（独自算出の注目度）: 27.908928867224777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: User cold-start problem is a long-standing challenge in recommendation systems. Fortunately, cross-domain recommendation (CDR) has emerged as a highly effective remedy for the user cold-start challenge, with recently developed diffusion models (DMs) demonstrating exceptional performance. However, these DMs-based CDR methods focus on dealing with user-item interactions, overlooking correlations between items across the source and target domains. Meanwhile, the Gaussian noise added in the forward process of diffusion models would hurt user's personalized preference, leading to the difficulty in transferring user preference across domains. To this end, we propose a novel paradigm of Smoothing-Sharpening Process Model for CDR to cold-start users, termed as S2CDR which features a corruption-recovery architecture and is solved with respect to ordinary differential equations (ODEs). Specifically, the smoothing process gradually corrupts the original user-item/item-item interaction matrices derived from both domains into smoothed preference signals in a noise-free manner, and the sharpening process iteratively sharpens the preference signals to recover the unknown interactions for cold-start users. Wherein, for the smoothing process, we introduce the heat equation on the item-item similarity graph to better capture the correlations between items across domains, and further build the tailor-designed low-pass filter to filter out the high-frequency noise information for capturing user's intrinsic preference, in accordance with the graph signal processing (GSP) theory. Extensive experiments on three real-world CDR scenarios confirm that our S2CDR significantly outperforms previous SOTA methods in a training-free manner.
- Abstract（参考訳）: ユーザのコールドスタート問題は、リコメンデーションシステムにおける長年の課題である。
幸いなことに、クロスドメインレコメンデーション(CDR)は、ユーザコールドスタートの課題に対して非常に効果的な対策として現れ、最近開発された拡散モデル(DM)は例外的なパフォーマンスを示している。
しかし、これらのDMベースのCDR手法は、ソースとターゲットドメイン間のアイテム間の相関を見越して、ユーザとイテムのインタラクションを扱うことに重点を置いている。
一方、拡散モデルの前方プロセスに付加されるガウスノイズは、ユーザのパーソナライズされた嗜好を損なうことになり、ドメイン間でのユーザの嗜好の伝達が困難になる。
そこで本研究では, 冷間開始型ユーザを対象としたS2CDR(Smoothing-Sharpening Process Model for CDR)を提案する。
具体的には、この平滑化処理は、両ドメインから派生した元のユーザ・テム/テム間相互作用行列を、ノイズのない方法でスムーズな選好信号に徐々に劣化させ、シャープ化処理により、選好信号を反復的にシャープして、コールドスタートユーザの未知のインタラクションを復元する。
一方、スムース化プロセスでは、アイテム-イム類似性グラフに熱方程式を導入し、ドメイン間の相関関係をよりよく把握し、さらに、グラフ信号処理(GSP)理論に従って、テール設計の低域通過フィルタを構築し、ユーザの固有の嗜好を捉えるための高周波ノイズ情報をフィルタリングする。
実世界の3つのCDRシナリオに対する大規模な実験により、我々のS2CDRは従来のSOTA手法をトレーニング不要で大幅に上回っていることが確認された。
関連論文リスト
- LLM-EDT: Large Language Model Enhanced Cross-domain Sequential Recommendation with Dual-phase Training [53.539682966282534]
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。
論文 参考訳（メタデータ） (2025-11-25T05:18:04Z) - Denoised Recommendation Model with Collaborative Signal Decoupling [2.7629252298084026]
協調フィルタリング (CF) アルゴリズムは, ユーザ・イテム相互作用行列のノイズにより, 最適以下の推薦性能に悩まされる。
本研究では,不安定な相互作用を識別する新しいGNNベースのCFモデル DRCSDを提案する。
論文 参考訳（メタデータ） (2025-11-06T10:18:02Z) - 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) - Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。
FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。
我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
論文 参考訳（メタデータ） (2025-08-25T02:55:42Z) - Flow Matching based Sequential Recommender Model [54.815225661065924]
本研究では,フローマッチングに基づくフローマッチングモデルであるFMRecを紹介する。
FMRecは最先端の手法よりも平均6.53%改善している。
論文 参考訳（メタデータ） (2025-05-22T06:53:03Z) - Dual Conditional Diffusion Models for Sequential Recommendation [63.82152785755723]
シーケンスレコメンデーションのための二重条件拡散モデル(DCRec)を提案する。
DCRecは2つの条件を前と逆の拡散プロセスに埋め込むことで暗黙的および明示的な情報を統合する。
これによってモデルは、明示的なユーザ-イテムインタラクションを活用してレコメンデーションプロセスをガイドしながら、価値あるシーケンシャルおよびコンテキスト情報を保持することができる。
論文 参考訳（メタデータ） (2024-10-29T11:51:06Z) - Sharpness-Aware Cross-Domain Recommendation to Cold-Start Users [29.229433535780153]
CDR(Cross-Domain Recommendation)は、推薦システムにおけるコールドスタート問題を解決するために、トランスファーラーニングにインスパイアされた有望なパラダイムである。
シャープネス対応CDR(SCDR)と呼ばれる新しいCDR法を提案する。
論文 参考訳（メタデータ） (2024-08-04T05:07:58Z) - Collaborative Filtering Based on Diffusion Models: Unveiling the Potential of High-Order Connectivity [10.683635786183894]
CF-Diffは新しい拡散モデルに基づく協調フィルタリング手法である。
マルチホップの隣人と一緒に、協調的な信号を完全に活用することができる。
最高の競争相手に比べて7.29%も上昇している。
論文 参考訳（メタデータ） (2024-04-22T14:49:46Z) - Diffusion Augmentation for Sequential Recommendation [47.43402785097255]
本稿では,より高品質な生成のためのDiffuASR(Diffusion Augmentation for Sequential Recommendation)を提案する。
DiffuASRによる強化データセットは、複雑なトレーニング手順なしで、シーケンシャルレコメンデーションモデルを直接トレーニングするために使用することができる。
3つの逐次レコメンデーションモデルを用いた3つの実世界のデータセットに関する広範な実験を行った。
論文 参考訳（メタデータ） (2023-09-22T13:31:34Z) - Diffusion Recommender Model [85.9640416600725]
そこで我々は,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,その生成過程を認知的に学習する。
ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。
論文 参考訳（メタデータ） (2023-04-11T04:31:00Z)
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。