論文の概要: SemaCDR: LLM-Powered Transferable Semantics for Cross-Domain Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2604.09551v1
• Date: Fri, 30 Jan 2026 09:07:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.484486
• Title: SemaCDR: LLM-Powered Transferable Semantics for Cross-Domain Sequential Recommendation
• Title（参考訳）: SemaCDR:LLMを用いたクロスドメインシークエンシャルレコメンデーションのためのトランスファタブルセマンティクス
• Authors: Chunxu Zhang, Shanqiang Huang, Zijian Zhang, Jiahong Liu, Linsong Yu, Ruiqi Wan, Bo Yang, Irwin King,
• Abstract要約: クロスドメインレコメンデーション(CDR)は、データ豊富なソースドメインからの知識を活用することで、ターゲットドメインにおけるデータ空間とコールドスタートの問題に対処する。 本稿では,大言語モデル(LLM)を活用してセマンティック空間を構築する,クロスドメインシーケンシャルレコメンデーションのためのセマンティックス駆動フレームワークSemaCDRを提案する。
• 参考スコア（独自算出の注目度）: 41.816164787949376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation (CDR) addresses the data sparsity and cold-start problems in the target domain by leveraging knowledge from data-rich source domains. However, existing CDR methods often rely on domain-specific features or identifiers that lack transferability across different domains, limiting their ability to capture inter-domain semantic patterns. To overcome this, we propose SemaCDR, a semantics-driven framework for cross-domain sequential recommendation that leverages large language models (LLMs) to construct a unified semantic space. SemaCDR creates multiview item features by integrating LLM-generated domain-agnostic semantics with domain-specific content, aligned by contrastive regularization. SemaCDR systematically creates LLM-generated domain-specific and domain-agnostic semantics, and employs adaptive fusion to generate unified preference representations. Furthermore, it aligns cross-domain behavior sequences with an adaptive fusion mechanism to synthesize interaction sequences from source, target, and mixed domains. Extensive experiments on real-world datasets show that SemaCDR consistently outperforms state-of-the-art baselines, demonstrating its effectiveness in capturing coherent intra-domain patterns while facilitating knowledge transfer across domains.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、データ豊富なソースドメインからの知識を活用することで、ターゲットドメインにおけるデータ空間とコールドスタートの問題に対処する。 しかしながら、既存のCDRメソッドは、ドメイン間のセマンティックパターンをキャプチャする能力を制限するため、異なるドメイン間での転送可能性に欠けるドメイン固有の機能や識別子に依存していることが多い。 そこで本研究では,大規模言語モデル(LLM)を利用したセマンティクス駆動型セマンティクスレコメンデーションフレームワークSemaCDRを提案する。 SemaCDRは、LLMの生成したドメインに依存しないセマンティクスとドメイン固有のコンテンツを統合することで、コントラストレギュラー化によって、マルチビューアイテム機能を生成する。 SemaCDRは、LLM生成ドメイン固有のドメインに依存しないセマンティクスを体系的に生成し、適応的な融合を用いて、統一された嗜好表現を生成する。 さらに、ソース、ターゲット、混合ドメインから相互作用シーケンスを合成するために、ドメイン間の振舞いシーケンスを適応的な融合機構と整合させる。 実世界のデータセットに関する大規模な実験によると、SemaCDRは最先端のベースラインを一貫して上回り、ドメイン間の知識伝達を促進しながら、一貫性のあるドメイン内のパターンをキャプチャする効果を示す。

関連論文リスト

• 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)
• FedDCSR: Federated Cross-domain Sequential Recommendation via Disentangled Representation Learning [17.497009723665116]
  本稿では,不整合表現学習を用いたクロスドメイン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FedDCSRを提案する。 本稿では,SRD(Inter-Intra Domain Sequence Expression Disentanglement)と呼ばれるアプローチを導入し,ユーザシークエンス機能をドメイン共有およびドメイン排他的特徴に分解する。 さらに、ユーザシーケンス上でデータ拡張を行うことで、よりリッチなドメイン排他的特徴を学習するためのドメイン内コントラッシブインフォマックス(CIM)戦略を設計する。
  論文  参考訳（メタデータ） (2023-09-15T14:23:20Z)
• Structured Latent Embeddings for Recognizing Unseen Classes in Unseen Domains [108.11746235308046]
  本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。 挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T17:57:46Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。