論文の概要: Context-Aware Disentanglement for Cross-Domain Sequential Recommendation: A Causal View

• arxiv url: http://arxiv.org/abs/2604.07992v1
• Date: Thu, 09 Apr 2026 09:00:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.817555
• Title: Context-Aware Disentanglement for Cross-Domain Sequential Recommendation: A Causal View
• Title（参考訳）: クロスドメインシーケンスレコメンデーションのためのコンテキストアウェア・ディアングルメント--因果的視点から
• Authors: Xingzi Wang, Qingtian Bian, Hui Fang,
• Abstract要約: Cross-Domain Sequential Recommendation (CDSR)は、ドメイン間で知識を伝達することで推奨品質を高めることを目的としている。 本稿では,ドメイン共有やドメイン固有の好みを正確に切り離すために,因果的視点に基づくコンテキスト認識型アンタングル化フレームワークであるCoDiSを提案する。
• 参考スコア（独自算出の注目度）: 5.468778649469061
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-Domain Sequential Recommendation (CDSR) aims to en-hance recommendation quality by transferring knowledge across domains, offering effective solutions to data sparsity and cold-start issues. However, existing methods face three major limitations: (1) they overlook varying contexts in user interaction sequences, resulting in spurious correlations that obscure the true causal relationships driving user preferences; (2) the learning of domain- shared and domain-specific preferences is hindered by gradient conflicts between domains, leading to a seesaw effect where performance in one domain improves at the expense of the other; (3) most methods rely on the unrealistic assumption of substantial user overlap across domains. To address these issues, we propose CoDiS, a context-aware disentanglement framework grounded in a causal view to accurately disentangle domain-shared and domain-specific preferences. Specifically, Our approach includes a variational context adjustment method to reduce confounding effects of contexts, expert isolation and selection strategies to resolve gradient conflict, and a variational adversarial disentangling module for the thorough disentanglement of domain-shared and domain-specific representations. Extensive experiments on three real-world datasets demonstrate that CoDiS consistently outperforms state-of-the-art CDSR baselines with statistical significance. Code is available at:https://anonymous.4open.science/r/CoDiS-6FA0.
• Abstract（参考訳）: Cross-Domain Sequential Recommendation (CDSR)は、ドメイン間で知識を伝達することで推奨品質を高めることを目的としている。 しかし,既存の手法では,(1)ユーザインタラクションシーケンスのさまざまなコンテキストを見落とし,結果として真の因果関係を曖昧にし,ユーザの嗜好を損なうような急激な相関関係が生じる,(2)ドメイン間の不整合によるドメイン共有とドメイン固有の嗜好の学習が妨げられ,一方のドメインのパフォーマンスが他方のコストで向上するシーソー効果,(3)ドメイン間の実質的なユーザ重複という非現実的な仮定に依存する,という3つの大きな制約に直面している。 このような問題に対処するために、我々はCoDiSを提案する。CoDiSは、ドメイン共有とドメイン固有の好みを正確に切り離すための、因果的視点に基づくコンテキスト認識の非絡み合いフレームワークである。 具体的には、コンテキストの相違効果を低減するための変動文脈調整手法、勾配の対立を解決するための専門家の隔離と選択戦略、およびドメイン共有表現とドメイン固有表現の完全非絡み合わせのための変分逆アンタングルモジュールを含む。 3つの実世界のデータセットに対する大規模な実験は、CoDiSが統計的に有意な最先端のCDSRベースラインを一貫して上回っていることを示している。 コードは、https://anonymous.4open.science/r/CoDiS-6FA0.comで入手できる。

関連論文リスト

• From Clues to Generation: Language-Guided Conditional Diffusion for Cross-Domain Recommendation [8.759054108541394]
  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。
  論文  参考訳（メタデータ） (2026-04-07T03:05:22Z)
• 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)
• 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)
• Towards Unified and Adaptive Cross-Domain Collaborative Filtering via Graph Signal Processing [48.04521184170971]
  CDR(Cross-Domain Recommendation)は、疎いターゲットドメインのレコメンデーションを改善するために高密度ドメインを活用することで、有望なソリューションとして登場した。 グラフ信号処理(GSP)に基づく統一適応型CDRフレームワークCGSPを提案する。
  論文  参考訳（メタデータ） (2024-07-17T07:52:45Z)
• Cracking the Code of Negative Transfer: A Cooperative Game Theoretic Approach for Cross-Domain Sequential Recommendation [23.531113546036856]
  Cross-Domain Sequential Recommendation (CDSR)は、複数のドメインの情報を使って正確で多様なレコメンデーションを生成する有望な方法である。 本稿では,あるドメインから別のドメインへの負の転送範囲を評価することにより,負の転送の問題に対処する新しいCDSRフレームワークを提案する。 我々は,10の異なる領域にまたがる2つの実世界のデータセットのモデル性能において,我々のモデルは先行研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-22T06:30:54Z)
• Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
  動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。 本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-28T04:08:40Z)
• 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)
• 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)
• 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。