論文の概要: CoRCi: Cross-Reconstruction of Coherent Interests Modeling in Cross-Domain Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2608.09580v1
• Date: Mon, 10 Aug 2026 13:15:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.285013
• Title: CoRCi: Cross-Reconstruction of Coherent Interests Modeling in Cross-Domain Sequential Recommendation
• Title（参考訳）: CoRCi:クロスドメインシーケンスレコメンデーションにおけるコヒーレント興味モデリングのクロスコンストラクション
• Abstract要約: Cross-Domain Sequential Recommendationは、関連するドメイン間でユーザの関心を移すことによって、データの疎さを軽減することを目的としている。 最近の方法では、ドメイン固有のシーケンスを時系列的に混合ドメインシーケンスにマージし、ドメイン不変の知識をキャプチャする。 このような欠点に対処するデュアルターゲットCDSRフレームワークであるCoRCiを提案する。
• 参考スコア（独自算出の注目度）: 16.94112055435383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-Domain Sequential Recommendation (CDSR) aims to alleviate data sparsity by transferring dynamic user interests across related domains. A key challenge lies in effectively bridging these domains. In single-domain modeling, models cannot distinguish between domain-specific and domain-invariant interests. Recent methods merge domain-specific sequences chronologically into a mixed-domain sequence to capture domain-invariant knowledge. However, they typically deploy separate encoders for the mixed-domain sequence and train them with per-domain loss aggregation. This workflow magnifies inter-domain discrepancies and disrupts domain-invariant interest coherence, especially when query target pairs in Seq2Seq originate from different domains. In this paper, we present CoRCi (Cross-Reconstruction for Coherent Interest), a dual-target CDSR framework that tackles these drawbacks. Specifically, CoRCi proposes a Cross-Reconstruction approach that generates mixed-domain representations directly from pre-encoded specific-domain representations via cross-attention. The generated representations are then trained using a single, sequence-level, domain-agnostic loss to preserve the coherence of domain-invariant interests. To further suppress domain discrepancies in mixed-domain modeling, CoRCi introduces FocalNCE, which embeds Focal Loss into the preceding mixed-domain InfoNCE objective. The new loss assigns higher penalties to negatives drawn from the same domain as the query, thereby strengthening domain-invariant alignment. Extensive experiments on four real-world datasets demonstrate that CoRCi consistently outperforms state-of-the-art CDSR counterparts, achieving statistically significant gains across all metrics.
• Abstract（参考訳）: Cross-Domain Sequential Recommendation (CDSR)は、関連するドメイン間で動的なユーザ関心を転送することで、データの疎さを軽減することを目的としている。 重要な課題は、これらのドメインを効果的にブリッジすることである。 単一ドメインモデリングでは、モデルはドメイン固有の関心事とドメイン不変の関心事とを区別できない。 最近の方法では、ドメイン固有のシーケンスを時系列的に混合ドメインシーケンスにマージし、ドメイン不変の知識をキャプチャする。 しかし、通常、混合ドメインシーケンス用の別々のエンコーダをデプロイし、ドメイン単位の損失集約でトレーニングする。 このワークフローはドメイン間の不一致を拡大し、特にSeq2Seqのクエリターゲットペアが異なるドメインに由来する場合、ドメイン不変の関心コヒーレンスを阻害する。 本稿では,CoRCi(Cross-Reconstruction for Coherent Interest)について述べる。 特に、CoRCiはクロスアテンションを介して、事前に符号化された特定のドメイン表現から直接混合ドメイン表現を生成するクロスコンストラクションアプローチを提案する。 生成された表現は、ドメイン不変関心の一貫性を維持するために、単一のシーケンスレベル、ドメインに依存しない損失を使用して訓練される。 CoRCiは混合ドメインモデリングにおけるドメインの不一致をさらに抑制するため、Focal Lossを以前の混合ドメインInfoNCEの目的に組み込むFocalNCEを導入した。 新しい損失は、クエリと同じドメインから引き出された負の値により高いペナルティを割り当て、ドメイン不変アライメントを強化する。 4つの実世界のデータセットに対する大規模な実験により、CoRCiは最先端のCDSRよりも一貫して優れており、すべての指標で統計的に有意な利得を達成している。

関連論文リスト

• Granular Ball Guided Stable Latent Domain Discovery for Domain-General Crowd Counting [19.18297173252027]
  そこで本研究では,一般群集カウントのためのグラニュラーボールガイド型安定潜時ドメイン探索フレームワークを提案する。 提案手法はまず, サンプルをコンパクトな局所粒状球体に分類し, 擬似ドメインを推論する代表として粒状球体をクラスタ化する。 検出された潜在ドメインの上に,伝達可能な意味表現を改善する2分岐学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-03-25T09:12:35Z)
• SemaCDR: LLM-Powered Transferable Semantics for Cross-Domain Sequential Recommendation [41.816164787949376]
  クロスドメインレコメンデーション(CDR)は、データ豊富なソースドメインからの知識を活用することで、ターゲットドメインにおけるデータ空間とコールドスタートの問題に対処する。 本稿では,大言語モデル(LLM)を活用してセマンティック空間を構築する,クロスドメインシーケンシャルレコメンデーションのためのセマンティックス駆動フレームワークSemaCDRを提案する。
  論文  参考訳（メタデータ） (2026-01-30T09:07:06Z)
• 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)
• LLM-RecG: A Semantic Bias-Aware Framework for Zero-Shot Sequential Recommendation [5.512301280728178]
  ゼロショットクロスドメインシーケンシャルレコメンデーション(ZCDSR)は、追加のトレーニングや微調整なしで、目に見えないドメインでの予測を可能にする。 大規模言語モデル(LLM)の最近の進歩は、ドメイン間の知識伝達を容易にすることで、ZCDSRを大幅に強化している。 本稿では,アイテムレベルとシーケンシャルレベルの両方において,ドメイン間のアライメントを改善するセマンティックバイアス対応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-31T15:43:21Z)
• ABXI: Invariant Interest Adaptation for Task-Guided Cross-Domain Sequential Recommendation [6.234890828342688]
  クロスドメインシークエンシャルレコメンデーション(CDSR)は、最近、ドメイン間で知識を伝達することでデータの疎結合に対応するために注目を集めている。 鍵となる課題は、これらのシーケンス間で共有された知識を正しく抽出し、適切に転送することである。 本稿では,A-B-Cross-to-Invariant Learning Recommender (ABXI)を提案する。
  論文  参考訳（メタデータ） (2025-01-25T08:09:37Z)
• Joint Identifiability of Cross-Domain Recommendation via Hierarchical Subspace Disentanglement [19.29182848154183]
  CDR(Cross-Domain Recommendation)はドメイン間の効果的な知識伝達を実現する。 CDRは、ユーザ表現を2つのドメインにまたがる共同分布として記述するが、これらの方法は、その共同識別可能性を考慮していない。 本稿では,階層的部分空間のアンタングル化手法を提案し,ドメイン間結合分布の結合識別可能性について検討する。
  論文  参考訳（メタデータ） (2024-04-06T03:11:31Z)
• FedDCSR: Federated Cross-domain Sequential Recommendation via Disentangled Representation Learning [17.497009723665116]
  本稿では,不整合表現学習を用いたクロスドメインシーケンシャルレコメンデーションフレームワークであるFedDCSRを提案する。 本稿では,SRD(Inter-Intra Domain Sequence Expression Disentanglement)と呼ばれるアプローチを導入し,ユーザシークエンス機能をドメイン共有およびドメイン排他的特徴に分解する。 さらに、ユーザシーケンス上でデータ拡張を行うことで、よりリッチなドメイン排他的特徴を学習するためのドメイン内コントラッシブインフォマックス(CIM)戦略を設計する。
  論文  参考訳（メタデータ） (2023-09-15T14:23:20Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。