論文の概要: Empowering Cross-Domain Sequential Recommendation with Hybrid Tokenization and Serial-Parallel Decoding

• arxiv url: http://arxiv.org/abs/2607.28659v1
• Date: Tue, 21 Jul 2026 08:01:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-09 10:00:34.249295
• Title: Empowering Cross-Domain Sequential Recommendation with Hybrid Tokenization and Serial-Parallel Decoding
• Title（参考訳）: ハイブリッドトークン化とシリアルパラレルデコードによるクロスドメインシーケンスレコメンデーションの強化
• Authors: Yuxuan Hu, Yuhao Wang, Tianbo Huang, Chao Zhang, Ziwei Liu, Lihua Zhang, Xiangyu Zhao,
• Abstract要約: クロスドメインシーケンシャルレコメンデーション(CDSR)は、ユーザの動的関心遷移と複数のドメインにわたるシーケンシャルパターンをモデル化することを目的としている。 我々は,CDSRの効率的かつ効率的な生成フレームワークであるGenCDSRを提案する。 我々は、GenCDSRが、最先端のベースラインと比較して平均精度を1.5パーセント向上し、平均推論遅延を85.1%削減したことを示す。
• 参考スコア（独自算出の注目度）: 63.74998371740272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain sequential recommendation (CDSR) aims to model users' dynamic interest transitions and sequential patterns across multiple domains. Recently, generative recommendation (GR) has emerged. It first learns semantic identifiers (SIDs) from item semantics and formulates recommendation as autoregressive generation. However, existing methods face two critical issues: (1) they ignore collaborative correlations across domains during tokenization, and (2) they adopt inefficient decoding strategies, such as beam search, during generation, which hinders real-time deployment. To address these limitations, we propose GenCDSR, an effective and efficient generative framework for CDSR. Specifically, we design a cross-domain hybrid tokenization mechanism with a multi-tower architecture to jointly capture cross-domain commonalities and domain-specific distinctions through hierarchical shared-specific and fine-grained codebooks. Furthermore, we develop a cross-domain serial-parallel decoding strategy that leverages the hierarchical SID structure to partially parallelize generation, significantly reducing inference latency while preserving generation consistency. Experiments on three public datasets show that GenCDSR achieves an average accuracy improvement of 1.5 percent and an average inference latency reduction of 85.1 percent compared with state-of-the-art baselines. The implementation code and datasets are available online: https://github.com/Applied-Machine-Learning-Lab/RecSys2026_GenCDSR.
• Abstract（参考訳）: クロスドメインシーケンシャルレコメンデーション(CDSR)は、ユーザの動的関心遷移と複数のドメインにわたるシーケンシャルパターンをモデル化することを目的としている。 近年、遺伝子組み換えレコメンデーション(GR)が出現している。 まず、アイテムのセマンティクスからセマンティクス識別子(SID)を学習し、自動回帰生成として推奨する。 しかし,既存の手法では,(1)トークン化時のドメイン間の協調的相関を無視し,(2)ビームサーチなどの非効率的なデコード戦略を採用して,リアルタイムな展開を妨げている。 これらの制約に対処するため、我々はCDSRの効率的かつ効率的な生成フレームワークであるGenCDSRを提案する。 具体的には、ドメイン間の共通点とドメイン固有の区別を階層的に共有するコードブックと微粒なコードブックを通じて共同でキャプチャするマルチトウワーアーキテクチャによるクロスドメインハイブリッドトークン化機構を設計する。 さらに、階層型SID構造を利用したクロスドメインシリアル並列復号法を開発し、部分並列化を行い、生成一貫性を維持しながら推論遅延を大幅に低減する。 3つの公開データセットの実験では、GenCDSRは最先端のベースラインと比較して平均精度が1.5パーセント向上し、平均推論遅延が85.1%減少している。 実装コードとデータセットはオンラインで入手できる。 https://github.com/Applied-Machine-Learning-Lab/RecSys2026_GenCDSR。

関連論文リスト

• Masked Diffusion Generative Recommendation [14.679550929790151]
  ジェネレーティブレコメンデーション(GR)は、通常、連続アイテムの埋め込みをマルチレベルセマンティックID(SID)に量子化する。 MDGRはMasked Diffusion Generative Recommendationフレームワークで,コードブック,トレーニング,推論という3つの観点からGRパイプラインを再評価する。
  論文  参考訳（メタデータ） (2026-01-27T11:39:02Z)
• 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)
• Gaussian Mixture Flow Matching with Domain Alignment for Multi-Domain Sequential Recommendation [13.331414627413674]
  我々は,ドメイン認識遷移軌跡をモデル化したMDSRの効率的な生成フレームワークである textitGMFlowRec を提案する。 JDとAmazonのデータセットの実験は、GMFlowRecが最先端のパフォーマンスを達成し、NDCG@5.1で最大44%改善したことを示している。
  論文  参考訳（メタデータ） (2025-10-23T22:11:26Z)
• Enhancing Transferability and Consistency in Cross-Domain Recommendations via Supervised Disentanglement [13.553355329509243]
  クロスドメインレコメンデーションは、ドメイン間で知識を伝達することで、データの疎さを軽減することを目的としている。 分散表現学習は、複雑なユーザの好みをモデル化するための効果的なソリューションを提供する。 本稿では,GNN を拡張したエンコーダデコーダフレームワーク DGCDR を提案する。
  論文  参考訳（メタデータ） (2025-07-23T01:29:45Z)
• 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)
• DDGHM: Dual Dynamic Graph with Hybrid Metric Training for Cross-Domain Sequential Recommendation [15.366783212837515]
  Sequential Recommendation (SR) は、ユーザがアイテム間を移動する方法をモデル化することによって、ユーザの行動の進化パターンを特徴付ける。 この問題を解決するため、我々はクロスドメインシーケンスレコメンデーション(CDSR)に焦点を当てる。 本稿では,CDSR問題のための新しいフレームワークであるDDGHMを提案する。
  論文  参考訳（メタデータ） (2022-09-21T07:53:06Z)
• 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)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID [55.21702895051287]
  ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされていないターゲットドメインに転送することを目的としています。 本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。 提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
  論文  参考訳（メタデータ） (2020-06-04T09:12:44Z)

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。