論文の概要: Synthetic Data from Cross-Domain Events for Large-Scale Recommendation Systems

• arxiv url: http://arxiv.org/abs/2606.00282v1
• Date: Fri, 29 May 2026 19:17:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.200251
• Title: Synthetic Data from Cross-Domain Events for Large-Scale Recommendation Systems
• Title（参考訳）: 大規模レコメンデーションシステムのためのクロスドメインイベントからの合成データ
• Abstract要約: シンセティッククロスドメイン拡張とレコメンデーションのための学習(SCALR)について紹介する。 SCALRは、ソースドメインから観測されたイベントを活用することにより、ターゲットレコメンデーションドメインのための合成ユーザ-テムインタラクションイベントを生成する。 提案手法は,産業レコメンデーションプラットフォーム上でのオンラインA/Bテストにおいて,統計的に有意な改善をもたらす。
• 参考スコア（独自算出の注目度）: 8.895562782206257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale recommendation systems operate across diverse domains, yet they face the challenges of data sparsity and noisy implicit feedback. Traditional approaches mitigate this via model-specific knowledge distillation from source domains to a target domain. Inspired by the transformative success of synthetic data generation in large language models (LLMs), we introduce Synthetic Cross-domain Augmentation and Learning for Recommendation (SCALR), a framework that generates synthetic user-item interaction events for a target recommendation domain by leveraging observed events from a source domain. SCALR decomposes cross-domain learning into two modular stages. First, it translates observed user events in source domains by framing event generation as estimating the likelihood that a user would interact with a target-domain item, conditioned on their observed interactions in a source domain. Second, downstream models train on these synthetic events as cross-domain learning objectives, where the synthetic events augment the target domain's training data in a model-agnostic manner. Our approach yields statistically significant improvements in online A/B tests on an industrial recommendation platform. To the best of our knowledge, this is among the first works to explicitly frame cross-domain event transfer as synthetic data generation for recommendation systems.
• Abstract（参考訳）: 大規模なレコメンデーションシステムは、さまざまなドメインにわたって運用されるが、データスパシティとノイズの多い暗黙のフィードバックの課題に直面している。 伝統的なアプローチは、ソースドメインからターゲットドメインへのモデル固有の知識蒸留を通じてこれを緩和する。 大規模言語モデル(LLM)における合成データ生成の変革的成功に触発されて、ソースドメインから観測されたイベントを活用することで、ターゲットレコメンデーションドメインに対する合成ユーザ・イテムインタラクションイベントを生成するフレームワークであるSynthetic Cross-domain Augmentation and Learning for Recommendation(SCALR)を紹介した。 SCALRは、クロスドメイン学習を2つのモジュールステージに分解する。 まず、ソースドメイン内の観測されたユーザイベントを、ソースドメイン内の観測されたインタラクションに基づいて、ユーザがターゲットドメインアイテムと対話する可能性を推定するイベント生成をフレーミングすることで、ソースドメイン内の観測されたユーザイベントを変換する。 第二に、下流モデルは、これらの合成イベントをドメイン横断学習の目的としてトレーニングし、合成イベントは、モデルに依存しない方法で、ターゲットドメインのトレーニングデータを増大させる。 提案手法は,産業レコメンデーションプラットフォーム上でのオンラインA/Bテストにおいて,統計的に有意な改善をもたらす。 我々の知る限りでは、これはレコメンデーションシステムのための合成データ生成として、クロスドメインイベント転送を明確にフレーム化するための最初の作業の1つである。

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)
• Cross-Domain Federated Semantic Communication with Global Representation Alignment and Domain-Aware Aggregation [102.51096131854848]
  本研究は,画像再構成作業における意味コミュニケーションシステムの訓練における領域シフトを考慮した最初の試みである。 提案手法は,SNRが1dBの3領域のPSNR値に対して,モデルコントラストFL(MOON)フレームワークを0.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-11-30T03:19:59Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• 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)
• Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
  SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。 そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。 提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-06-07T08:38:41Z)
• Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction [76.98616102965023]
  クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。 本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T01:21:21Z)

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。