論文の概要: From Clues to Generation: Language-Guided Conditional Diffusion for Cross-Domain Recommendation
- arxiv url: http://arxiv.org/abs/2604.05365v1
- Date: Tue, 07 Apr 2026 03:05:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.59478
- Title: From Clues to Generation: Language-Guided Conditional Diffusion for Cross-Domain Recommendation
- Title（参考訳）: クロースからジェネレーションへ:クロスドメイン勧告のための言語ガイド付き条件付き拡散
- Authors: Ziang Lu, Lei Sang, Lin Mu, Yiwen Zhang,
- Abstract要約: クロスドメインレコメンデーション(CDR)は、複数のドメイン間の相関を利用してデータの分散を緩和する。
本稿では,Language-Guided Conditional Diffusion for CDR (LGCD)を提案する。
- 参考スコア（独自算出の注目度）: 8.759054108541394
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-domain Recommendation (CDR) exploits multi-domain correlations to alleviate data sparsity. As a core task within this field, inter-domain recommendation focuses on predicting preferences for users who interact in a source domain but lack behavioral records in a target domain. Existing approaches predominantly rely on overlapping users as anchors for knowledge transfer. In real-world scenarios, overlapping users are often scarce, leaving the vast majority of users with only single-domain interactions. For these users, the absence of explicit alignment signals makes fine-grained preference transfer intrinsically difficult. To address this challenge, this paper proposes Language-Guided Conditional Diffusion for CDR (LGCD), a novel framework that integrates Large Language Models (LLMs) and diffusion models for inter-domain sequential recommendation. Specifically, we leverage LLM reasoning to bridge the domain gap by inferring potential target preferences for single-domain users and mapping them to real items, thereby constructing pseudo-overlapping data. We distinguish between real and pseudo-interaction pathways and introduce additional supervision constraints to mitigate the semantic noise brought by pseudo-interaction. Furthermore, we design a conditional diffusion architecture to precisely guide the generation of target user representations based on source-domain patterns. Extensive experiments demonstrate that LGCD significantly outperforms state-of-the-art methods in inter-domain recommendation tasks.
- Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、複数のドメイン間の相関を利用してデータの分散を緩和する。
この領域の中核的なタスクとして、ドメイン間推奨は、ソースドメインで対話するが、ターゲットドメインにおける行動記録が欠如しているユーザの好みを予測することに焦点を当てている。
既存のアプローチは、主に知識伝達のアンカーとして、重複するユーザに依存しています。
現実のシナリオでは、オーバーラップするユーザは少なく、大部分のユーザは単一ドメインのインタラクションだけで済みます。
これらのユーザにとって、明示的なアライメント信号の欠如は、本質的に微妙な嗜好伝達を難しくする。
本稿では,Language-Guided Conditional Diffusion for CDR(Language-Guided Conditional Diffusion for CDR)を提案する。
具体的には、LLM推論を活用して、単一ドメインユーザに対する潜在的ターゲット嗜好を推測し、それらを実際のアイテムにマッピングすることで、擬似重複データを構築する。
我々は,擬似相互作用経路と擬似相互作用経路を区別し,擬似相互作用による意味的ノイズを軽減するための追加の監督制約を導入する。
さらに、ソースドメインパターンに基づいて、ターゲットユーザ表現の生成を正確に導くための条件拡散アーキテクチャを設計する。
大規模な実験により、LGCDはドメイン間推薦タスクにおいて最先端の手法を著しく上回っていることが示された。
関連論文リスト
- FeDecider: An LLM-Based Framework for Federated Cross-Domain Recommendation [75.50721642765994]
大規模言語モデル(LLM)ベースのレコメンデーションモデルは、素晴らしいパフォーマンスを示している。
We propose a LLM-based framework for Federated cross- domain recommendation, FeDecider。
多様なデータセットにわたる大規模な実験により、提案したFeDeciderの有効性が検証された。
論文 参考訳（メタデータ） (2026-02-17T21:42:28Z) - 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) - 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) - Leveraging Multimodal Data and Side Users for Diffusion Cross-Domain Recommendation [23.27301183474805]
クロスドメインレコメンデーション(CDR)は、Recommender Systemsの永続的なコールドスタート問題に対処することを目的としている。
拡散クロスドメインレコメンデーション(MuSiC)のためのマルチモーダルデータとサイドユーザを利用したモデルを提案する。
MuSiCは最先端のパフォーマンスを実現し、選択されたすべてのベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2025-07-05T10:57:29Z) - LLM-RecG: A Semantic Bias-Aware Framework for Zero-Shot Sequential Recommendation [5.512301280728178]
ゼロショットクロスドメインシーケンシャルレコメンデーション(ZCDSR)は、追加のトレーニングや微調整なしで、目に見えないドメインでの予測を可能にする。
大規模言語モデル(LLM)の最近の進歩は、ドメイン間の知識伝達を容易にすることで、ZCDSRを大幅に強化している。
本稿では,アイテムレベルとシーケンシャルレベルの両方において,ドメイン間のアライメントを改善するセマンティックバイアス対応フレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-31T15:43:21Z) - 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) - 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) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳（メタデータ） (2020-02-12T09:45:39Z)
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。