論文の概要: Atomic Intent Reasoning: Bringing LLM Semantics to Industrial Cross-Domain Recommendations

• arxiv url: http://arxiv.org/abs/2606.10357v1
• Date: Tue, 09 Jun 2026 03:13:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.282785
• Title: Atomic Intent Reasoning: Bringing LLM Semantics to Industrial Cross-Domain Recommendations
• Title（参考訳）: 原子インテント推論 : LLMセマンティクスを産業用クロスドメインレコメンデーションにもたらす
• Authors: Zhuohang Jiang, Yuxin Chen, Shijie Wang, Haohao Qu, Zhou Jindong, Wenqi Fan, Li Qing, Dongxu Liang, Jun Wang,
• Abstract要約: ドメイン間のリコメンデーションは、コンテンツ対eコマースプラットフォームの中核的な問題である。 本稿では、産業レベルのデプロイメント用に設計されたLLM駆動のクロスドメインレコメンデーションフレームワークであるAIR(Atomic Reasoning Intent)を紹介する。
• 参考スコア（独自算出の注目度）: 31.789053364887423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain recommendation is a core problem in content-to-e-commerce platforms. Its objective is to leverage user interactions with content to infer potential purchasing intent on the e-commerce side, thereby enhancing conversion rates and commercial value. However, in real industrial scenarios, cross-domain recommendation faces multiple challenges: significant semantic gaps exist between different domains, and user cross-domain behavior sequences are often massive in scale and rich in noise. Although large language models (LLMs) possess powerful semantic understanding and reasoning capabilities, their millisecond-level inference latency makes direct application in online recommendation systems difficult. To address these issues, this paper introduces AIR (Atomic Intent Reasoning), an LLM-driven cross-domain recommendation framework designed for industrial-grade deployment. By migrating LLM inference to the offline phase and dynamically constructing user intent representations through efficient retrieval and composition during online operations, it achieves approximately 400* inference acceleration while maintaining semantic consistency. Experimental results across multiple public datasets demonstrate that our method achieves state-of-the-art performance in cross-domain recommendation tasks. Furthermore, large-scale online A/B testing conducted in Kuaishou E-commerce's real-world business scenarios shows that our approach delivers stable and significant improvements across multiple core business metrics, including a +3.446% increase in GMV, fully validating its effectiveness and practical value in industrial-scale recommendation systems.
• Abstract（参考訳）: ドメイン間のリコメンデーションは、コンテンツ対eコマースプラットフォームの中核的な問題である。 その目的は、コンテンツとのユーザインタラクションを活用して、eコマース側の潜在的な購入意図を推測し、コンバージョン率と商業価値を高めることである。 しかし、実際の産業シナリオでは、クロスドメインレコメンデーションは複数の課題に直面している。 大規模言語モデル(LLM)には強力なセマンティック理解と推論能力があるが、ミリ秒レベルの推論遅延はオンラインレコメンデーションシステムにおける直接的な適用を困難にしている。 これらの問題に対処するために、産業レベルのデプロイメント用に設計されたLLM駆動のクロスドメインレコメンデーションフレームワークであるAIR(Atomic Intent Reasoning)を紹介します。 LLM推論をオフラインフェーズに移行し、オンライン操作中の効率的な検索と合成を通じてユーザ意図表現を動的に構築することにより、セマンティック一貫性を維持しつつ、およそ400*推論アクセラレーションを実現する。 複数の公開データセットにまたがる実験結果から,提案手法がドメイン間推薦タスクにおける最先端性能を実現することを示す。 さらに,クアイショーEコマースの現実のビジネスシナリオで実施された大規模オンラインA/Bテストでは,GMVの+3.446%の増加を含む,複数の中核ビジネス指標に対して,我々のアプローチが安定的で重要な改善をもたらし,産業規模のレコメンデーションシステムにおけるその有効性と実践的価値を十分に検証していることを示す。

関連論文リスト

• HEAT: Heterogeneous End-to-End Autonomous Driving via Trajectory-Guided World Models [50.18051979020699]
  エンドツーエンドの自動運転は、従来のモジュラーパイプラインに代わる魅力的な代替手段として登場した。 本稿では,計画軌道に関する学習を組織する軌道駆動学習パラダイムを提案する。 一つの統一モデルが、各ドメイン内で強いパフォーマンスを維持しながら、異種データセット上でトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2026-05-19T10:12:01Z)
• 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)
• 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)
• Generative Multi-Target Cross-Domain Recommendation [48.54929268144516]
  本稿では、多目的クロスドメインレコメンデーションのためのジェネレーティブパラダイムベースのアプローチであるGCCを紹介する。 GMCの中核となる考え方は、意味的に定量化された離散アイテム識別子を多分野知識を統合する媒体として活用することである。 5つの公開データセットに関する大規模な実験は、GCCの有効性を実証している。
  論文  参考訳（メタデータ） (2025-07-17T07:44:05Z)
• LREF: A Novel LLM-based Relevance Framework for E-commerce [14.217396055372053]
  本稿では,eコマース検索の妥当性を高めることを目的とした,LREF(LLM-based Relevance Framework)と呼ばれる新しいフレームワークを提案する。 大規模な実世界のデータセットのオフライン実験やオンラインA/Bテストを通じて,フレームワークの性能を評価する。 このモデルは有名なeコマースアプリケーションにデプロイされ、かなりの商業的利益をもたらした。
  論文  参考訳（メタデータ） (2025-03-12T10:10:30Z)
• MIM: Multi-modal Content Interest Modeling Paradigm for User Behavior Modeling [27.32474950026696]
  マルチモーダルコンテンツ興味モデリングパラダイム(MIM)を提案する。 MIMは3つの主要なステージで構成されている。 CTRでは+14.14%、RPMでは+4.12%の大幅な増加を達成した。
  論文  参考訳（メタデータ） (2025-02-01T05:06:21Z)
• EXIT: An EXplicit Interest Transfer Framework for Cross-Domain Recommendation [20.402006751823322]
  クロスドメインレコメンデーションは、Meituanのような産業用アプリにかなりの関心を集めている。 提案する課題に対処するために, EXIT という,シンプルで効果的なExplicit Interest Transfer フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-29T15:52:09Z)
• Text-Video Retrieval with Global-Local Semantic Consistent Learning [122.15339128463715]
  我々は,シンプルで効果的なグローバル局所意味的一貫性学習(GLSCL)を提案する。 GLSCLは、テキストビデオ検索のためのモダリティをまたいだ潜在共有セマンティクスを活用する。 本手法はSOTAと同等の性能を実現し,計算コストの約220倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-05-21T11:59:36Z)

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。