論文の概要: Personalized Multi-Interest Modeling for Cross-Domain Recommendation to Cold-Start Users

• arxiv url: http://arxiv.org/abs/2604.25732v1
• Date: Tue, 28 Apr 2026 15:01:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.914523
• Title: Personalized Multi-Interest Modeling for Cross-Domain Recommendation to Cold-Start Users
• Title（参考訳）: コールドスタート利用者へのクロスドメイン勧告のためのパーソナライズされたマルチゲストモデリング
• Authors: Xiaodong Li, Jiawei Sheng, Jiangxia Cao, Xinghua Zhang, Wenyuan Zhang, Yong Sun, Shirui Pan, Zhihong Tian, Tingwen Liu,
• Abstract要約: クロスドメインレコメンデーション(CDR)は、ユーザのコールドスタート問題を緩和するための効果的なソリューションであることを示した。 従来のCDRアプローチは、主にEMCDR( Embedding and Mapping)パラダイムに準拠していました。 我々は,NF-NPCDRと呼ばれるコールドスタートユーザに対して,CDRのためのパーソナライズされた多目的モデリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 74.83568356079914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation (CDR) has demonstrated to be an effective solution for alleviating the user cold-start issue. By leveraging rich user-item interactions available in a richly informative source domain, CDR could improve the recommendation performance for cold-start users in the target domain. Previous CDR approaches mostly adhere the Embedding and Mapping (EMCDR) paradigm, which learns a user-shared mapping function to transfer users' preference from the source domain to the target domain, neglecting users' personalized preference. Recent CDR approaches further leverage the meta-learning paradigm, considering the CDR task for each user independently and learning user-specific mapping functions for each user. However, they mostly learn representations for each user individually, which ignores the common preference between different users, neglecting valuable information for CDR. In addition, all these approaches usually summarize the user's preference into an overall representation, which can hardly capture the user's multi-interest preference. To this end, we propose a personalized multi-interest modeling framework for CDR to cold-start users, termed as NF-NPCDR. Specifically, we propose a personalized preference encoder that enhances the neural process (NP) with the normalizing flow (NF) to convert the Gaussian (unimodal) distribution to a multimodal distribution, providing a novel way to capture the user's personalized multi-interest preference. Then, we propose a common preference encoder with a preference pool to capture the common preference between different users. Furthermore, we introduce a stochastic adaptive decoder to incorporate both the personalized and common preference for cold-start users, adaptively modulating both preference for better recommendation.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、ユーザのコールドスタート問題を緩和するための効果的なソリューションであることを示した。 リッチな情報ソースドメインで利用可能なリッチなユーザ-イテムインタラクションを活用することで、CDRはターゲットドメインのコールドスタートユーザに対するレコメンデーションパフォーマンスを向上させることができる。 従来のCDRアプローチは主に、ユーザの好みをソースドメインからターゲットドメインに転送するユーザ共有マッピング関数を学習し、ユーザのパーソナライズされた好みを無視する、EMCDR( Embedding and Mapping)パラダイムに準拠していた。 近年のCDRアプローチでは,ユーザ毎のCDRタスクを独立に考慮し,ユーザ毎のマッピング関数を学習することで,メタラーニングパラダイムをさらに活用している。 しかし、主に各ユーザの表現を個別に学習し、異なるユーザ間の共通の嗜好を無視し、CDRにとって価値のある情報を無視する。 加えて、これらすべてのアプローチは、通常、ユーザの嗜好を全体表現に要約し、ユーザの多目的嗜好をほとんど捉えない。 そこで本研究では,NF-NPCDR(NF-NPCDR)と呼ばれるコールドスタートユーザに対して,CDRをパーソナライズしたマルチ関心モデリングフレームワークを提案する。 具体的には、正規化フロー(NF)でニューラルプロセス(NP)を強化し、ガウス分布をマルチモーダル分布に変換するパーソナライズされた選好エンコーダを提案する。 そこで本稿では,ユーザ間での共通嗜好を捉えるために,嗜好プールを持つ共通選好エンコーダを提案する。 さらに、コールドスタートユーザに対してパーソナライズされた好みと共通の好みの両方を取り入れた確率適応型デコーダを導入し、より優れたレコメンデーションのために両方の好みを適応的に調整する。

関連論文リスト

• Tree of Preferences for Diversified Recommendation [54.183647833064136]
  データバイアスの観点から、多種多様な推薦について検討する。 本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-24T04:13:17Z)
• Exploring Preference-Guided Diffusion Model for Cross-Domain Recommendation [37.13651515982681]
  クロスドメインレコメンデーション(CDR)は、コールドスタート問題を緩和するための有望な方法として証明されている。 最も重要な問題は、ターゲットドメインに情報的ユーザ表現を描画する方法である。 DMCDRと呼ばれるコールドスタートユーザに対して,CDRのためのPreference-Guided Diffusion Modelを提案する。
  論文  参考訳（メタデータ） (2025-01-20T18:55:38Z)
• Personalized Preference Fine-tuning of Diffusion Models [75.22218338096316]
  拡散モデルとパーソナライズされた嗜好を整合させるマルチリワード最適化の目的であるPDを導入する。 PPDでは、拡散モデルがユーザーの個人の好みを数秒で学習する。 提案手法は,Stable Cascadeに対して平均76%の勝利率を達成し,特定のユーザの好みをより正確に反映した画像を生成する。
  論文  参考訳（メタデータ） (2025-01-11T22:38:41Z)
• DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation [11.61586672399166]
  クロスドメインレコメンデーション(CDR)が有望なソリューションとして登場した。 しかし、ソースドメインに類似した好みを持つユーザは、ターゲットドメインに対して異なる関心を示す可能性がある。 そこで本稿では,ユーザ意図の微粒化を捉えるために,グラフに基づく非交叉型コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:20:42Z)
• MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation [63.27390451208503]
  クロスドメインレコメンデーションシステムは、マルチドメインユーザインタラクションを活用してパフォーマンスを向上させる。 マルチビュー・ディスタングル・アダプティブ・プライスラーニング・フレームワークを提案する。 当社のフレームワークはマルチビューエンコーダを使用して,多様なユーザの好みをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-08T10:06:45Z)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 既存のFedCFメソッドは通常、分散協調フィルタリング(CF)アルゴリズムとプライバシ保護メカニズムを組み合わせて、パーソナライズされた情報をユーザ埋め込みベクタに保存する。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• Personalized Transfer of User Preferences for Cross-domain Recommendation [31.66579257624623]
  ソースドメインからターゲットドメインにユーザの好みを転送する方法は、クロスドメインレコメンデーションにおいて重要な問題である。 PTUPCDR(Personalized Transfer of User Preferences for Cross-domain Recommendation)という新しいフレームワークを提案する。 寒冷期および暖暖期におけるPTUPCDRの有効性を評価するための広範な実験を行った。
  論文  参考訳（メタデータ） (2021-10-21T13:59:18Z)
• CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network [49.35977893592626]
  コールドスタートユーザのためのアスペクト転送ネットワークによるクロスドメインレコメンデーションフレームワーク(CATN)を提案する。 CATNは、レビュー文書から各ユーザと各アイテムの複数のアスペクトを抽出し、注意機構を用いてドメイン間のアスペクト相関を学習する。 実世界のデータセットでは、提案したCATNは、評価予測精度の点でSOTAモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-05-21T10:05:19Z)

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。