論文の概要: FedCRF: A Federated Cross-domain Recommendation Method with Semantic-driven Deep Knowledge Fusion

• arxiv url: http://arxiv.org/abs/2604.17681v1
• Date: Mon, 20 Apr 2026 00:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.636688
• Title: FedCRF: A Federated Cross-domain Recommendation Method with Semantic-driven Deep Knowledge Fusion
• Title（参考訳）: FedCRF: セマンティック駆動深部知識融合を用いたフェデレーションクロスドメイン勧告手法
• Authors: Lei Guo, Ting Yang, Hui Liu, Xu Yu, Xiaohui Han, Xinhua Wang,
• Abstract要約: 本稿では,深部知識融合(FedCRF)を用いたフェデレーテッドクロスドメイン勧告手法を提案する。 テキストセマンティクスをクロスドメインブリッジとして使用することにより、フェデレーションされたセマンティクス学習を通じてドメイン間の知識伝達を実現する。 複数の実世界のデータセットに対する実験結果から、FedCRFはRecall@20とNDCG@20で既存の手法よりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 11.371836852388205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As user behavior data becomes increasingly scattered across different platforms, achieving cross-domain knowledge fusion while preserving privacy has become a critical issue in recommender systems. Existing PPCDR methods usually rely on overlapping users or items as a bridge, making them inapplicable to non-overlapping scenarios. They also suffer from limitations in the collaborative modeling of global and local semantics. To this end, this paper proposes a Federated Cross-domain Recommendation method with deep knowledge Fusion (FedCRF). Using textual semantics as a cross-domain bridge, FedCRF achieves cross-domain knowledge transfer via federated semantic learning under the non-overlapping scenario. Specifically, FedCRF constructs global semantic clusters on the server side to extract shared semantic information, and designs a FGSAT module on the client side to dynamically adapt to local data distributions and alleviate cross-domain distribution shift. Meanwhile, it builds a semantic graph based on textual features to learn representations that integrate both structural and semantic information, and introduces contrastive learning constraints between global and local semantic representations to enhance semantic consistency and promote deep knowledge fusion. In this framework, only item semantic representations are shared, while user interaction data remains locally stored, effectively mitigating privacy leakage risks. Experimental results on multiple real-world datasets show that FedCRF significantly outperforms existing methods in terms of Recall@20 and NDCG@20, validating its effectiveness and superiority in non-overlapping cross-domain recommendation scenarios.
• Abstract（参考訳）: ユーザ行動データがさまざまなプラットフォームに分散するにつれて、プライバシを維持しながらドメイン間の知識融合を実現することが、レコメンデーションシステムにおいて重要な問題となっている。 既存のPPCDRメソッドは通常、オーバーラップするユーザやアイテムをブリッジとして依存しているため、オーバーラップしないシナリオには適用できない。 グローバルなセマンティクスとローカルなセマンティクスの協調モデリングにも制限がある。 そこで本研究では,FedCRF (Deep Knowledge Fusion) を用いたフェデレーション・クロスドメイン勧告手法を提案する。 テキストセマンティクスをクロスドメインブリッジとして使用することにより、フェデレーションされたセマンティクス学習を通じてドメイン間の知識伝達を実現する。 具体的には、サーバ側でグローバルなセマンティッククラスタを構築し、共有セマンティック情報を抽出し、クライアント側でFGSATモジュールを設計し、ローカルデータの分散に動的に適応し、ドメイン間の分散シフトを軽減する。 一方,テキスト機能に基づく意味グラフを構築し,構造的情報と意味的情報の両方を統合する表現を学習し,大域的意味表現と局所的意味表現の対比学習制約を導入し,意味的一貫性を高め,深い知識融合を促進する。 このフレームワークでは、アイテムセマンティック表現のみが共有され、ユーザインタラクションデータはローカルに保存され、事実上プライバシー漏洩のリスクを軽減します。 複数の実世界のデータセットに対する実験結果から、FedCRFはRecall@20とNDCG@20で既存のメソッドよりも大幅に優れており、重複しないクロスドメインレコメンデーションシナリオの有効性と優位性を検証している。

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)
• 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)
• FedAPT: Federated Adversarial Prompt Tuning for Vision-Language Models [97.35577473867296]
  Federated Adversarial Prompt Tuning (textbfFedAPT)は、FPTの対向性を高めるために設計された新しい手法である。 この問題に対処するために,テキストプロンプトから視覚的なプロンプトを生成するtextbfclass-awareプロンプトジェネレータを提案する。 複数の画像分類データセットの実験は、対向ロバスト性を改善する上でFedAPTの優位性を示している。
  論文  参考訳（メタデータ） (2025-09-03T03:46:35Z)
• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• 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)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• 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)

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。