論文の概要: Hierarchical Quantization with Domain-Adaptive Sparse Routing for Generative Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2608.06997v1
• Date: Fri, 07 Aug 2026 09:15:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.443105
• Title: Hierarchical Quantization with Domain-Adaptive Sparse Routing for Generative Cross-Domain Recommendation
• Title（参考訳）: ドメイン適応スパースルーティングを用いた階層的量子化による生成的クロスドメイン勧告
• Abstract要約: HD-Recは、クロスドメインレコメンデーションのための統一された生成フレームワークである。 グローバルに共有される粗いコードブックと適応的にルーティングされた微妙なコードブックを使用して意味的識別子を構築する階層的なドメイン認識量化器を採用している。 実験によると、HD-Recは競合するシーケンシャル、生成、ドメイン横断の推奨ベースラインよりも一貫して改善されている。
• 参考スコア（独自算出の注目度）: 52.29536950794571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Recommendation (GenRec) represents a promising paradigm that achieves remarkable empirical success by encoding items as compact Semantic IDs (SIDs) and modeling user behavior via next-token prediction across diverse recommendation scenarios. Extending this paradigm to cross-domain recommendation is challenging because a unified model must accommodate heterogeneous item semantics and behavioral patterns across domains. Existing methods commonly rely on globally shared representations or lightweight domain adaptation, which may provide insufficient capacity for modeling heterogeneous patterns at different semantic granularities. To address these challenges, we propose HD-Rec, a unified generative framework for cross-domain recommendation. HD-Rec employs a hierarchical domain-aware quantizer that constructs semantic identifiers using globally shared coarse-level codebooks and adaptively routed fine-level codebooks. It further introduces a domain-adaptive sparse mixture-of-experts module that combines a continuously activated shared expert with a dynamically selected specialized expert. To improve the coherence of multi-token item representations, we develop a cross-granularity routing consistency objective that regularizes token-level routing decisions toward their item-level consensus. Experiments on three public cross-domain recommendation benchmarks show that HD-Rec consistently improves over competitive sequential, generative, and cross-domain recommendation baselines.
• Abstract（参考訳）: Generative Recommendation (GenRec) は、アイテムをコンパクトなセマンティックID (SID) としてエンコードし、多様なレコメンデーションシナリオにまたがる次世代の予測を通じてユーザ動作をモデル化することで、素晴らしい経験的成功を達成する有望なパラダイムである。 このパラダイムをドメイン横断レコメンデーションに拡張することは難しい。 既存の手法は、グローバルに共有される表現や軽量なドメイン適応に依存しており、異なるセマンティックな粒度の異種パターンをモデル化する能力が不足している可能性がある。 これらの課題に対処するため,クロスドメインレコメンデーションのための統合生成フレームワークであるHD-Recを提案する。 HD-Recは、グローバルに共有される粗いコードブックと適応的にルーティングされた細かなコードブックを使用して意味的識別子を構築する階層的なドメイン認識量化器を使用している。 さらに、継続的な活性化された共有専門家と動的に選択された専門専門家を組み合わせたドメイン適応スパース・オブ・エキスパート・モジュールも導入されている。 複数項目表現のコヒーレンスを改善するために、トークンレベルのルーティング決定をアイテムレベルのコンセンサスに調整する、粒度間のルーティング整合性目標を開発する。 3つのパブリッククロスドメインレコメンデーションベンチマークの実験では、HD-Recは競合するシーケンシャル、ジェネレーティブ、クロスドメインレコメンデーションベースラインよりも一貫して改善されている。

関連論文リスト

• Empowering Cross-Domain Sequential Recommendation with Hybrid Tokenization and Serial-Parallel Decoding [63.74998371740272]
  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。
  論文  参考訳（メタデータ） (2026-07-21T08:01:15Z)
• MOSAIC: Multi-Domain Orthogonal Session Adaptive Intent Capture for Prescient Recommendations [0.0]
  セッションベースのレコメンデータシステムでは、不均一な振る舞いドメインをまたいだユーザインテントのキャプチャが難しい。 マルチドメイン直交セッション適応インテントキャプチャフレームワークMOSAICを提案する。 我々は、複数のドメインと相互作用タイプにまたがる2つの大規模な実世界のベンチマーク実験を行う。
  論文  参考訳（メタデータ） (2026-04-11T10:33:12Z)
• 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)
• From IDs to Semantics: A Generative Framework for Cross-Domain Recommendation with Adaptive Semantic Tokenization [3.4546102059619526]
  クロスドメインレコメンデーションは、レコメンデーションの精度と一般化を改善するために不可欠である。 多くの取り組みは、ドメインギャップを埋めるために、マルチドメインのジョイントトレーニングを通じて、絡み合った表現を学ぶことに重点を置いている。 最近のLarge Language Model(LLM)ベースのアプローチは、将来性を示しているが、それでも重要な課題に直面している。 textbfGenerative textbfCross-textbfDomain textbfRecommendation frameworkを提案する。
  論文  参考訳（メタデータ） (2025-11-11T09:10:40Z)
• 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)
• Heterogeneous User Modeling for LLM-based Recommendation [70.52873882470328]
  オープンドメインレコメンデーションを進める上で重要な課題は、ユーザの不均一な振る舞いからユーザの好みを効果的にモデル化することだ。 IDベースやセマンティックベースモデリングなど、既存のアプローチでは、一般化の貧弱さに悩まされている。 圧縮エンハンサーとロバストネスエンハンサーを組み込んだヘテロジニアス・ユーザ・モデリング(HUM)手法を提案する。
  論文  参考訳（メタデータ） (2025-07-07T03:08:28Z)
• Universal Item Tokenization for Transferable Generative Recommendation [89.42584009980676]
  本稿では、転送可能な生成レコメンデーションのためのユニバーサルアイテムトークン化手法であるUTGRecを提案する。 木構造コードブックを考案することにより、コンテンツ表現をアイテムトークン化のための対応するコードに識別する。 生のコンテンツ再構成には、アイテムテキストとイメージを離散表現から再構成するために、デュアルライトウェイトデコーダを用いる。 協調的知識統合においては,共起的アイテムが類似していると仮定し,共起的アライメントと再構築を通じて協調的信号を統合する。
  論文  参考訳（メタデータ） (2025-04-06T08:07:49Z)
• Boundless Across Domains: A New Paradigm of Adaptive Feature and Cross-Attention for Domain Generalization in Medical Image Segmentation [1.93061220186624]
  ドメイン不変表現学習は、ドメイン一般化の強力な方法である。 従来のアプローチでは、高い計算要求、トレーニングの不安定性、高次元データによる限られた有効性といった課題に直面していた。 本研究では,分布空間を探索しながら分布外サンプルを生成する適応的特徴ブレンディング(AFB)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-22T12:06:24Z)

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。