論文の概要: A Dual-Expert Strategy Integrating LLMs to Mitigate Negative Transfer in Cross-Domain Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2608.23131v1
• Date: Mon, 24 Aug 2026 11:36:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.035837
• Title: A Dual-Expert Strategy Integrating LLMs to Mitigate Negative Transfer in Cross-Domain Sequential Recommendation
• Title（参考訳）: LLMの統合によるドメイン間シーケンスレコメンデーションにおける負転移の軽減
• Abstract要約: Cross-Domain Sequential Recommendationは、ユーザが対話する次の項目を、複数のドメインにわたる過去のインタラクションシーケンスに基づいて予測する。 最近のアプローチでは、LLMRecと呼ばれる推奨項目を検索するために、クロスドメインユーザシーケンスのテキスト表現を微調整したLarge Language Models (LLMs)を活用している。 クロスドメインシーケンスレコメンデーションのための LLM を用いた新しい LLM-based CDSR モデル DuELRec: Domain-Gated Dual Experts を提案する。
• 参考スコア（独自算出の注目度）: 42.340212368072876
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cross-Domain Sequential Recommendation (CDSR) predicts the next item a user will interact with based on their historical interaction sequences across multiple domains. Recent approaches leverage Large Language Models (LLMs) finetuned on textual representations of cross-domain user sequences to retrieve the recommended items, referred to as LLMRec. However, LLMRec primarily models the autoregressive patterns of token-level item texts, while overlooking item-level collaborative signals. This semantic misalignment often leads to distorted knowledge transfer across domains-termed negative transfer degrading performance in the CDSR task. To address this issue, we propose a novel LLM-based CDSR model, DuELRec: Domain-Gated Dual Experts with LLMs for Cross-Domain Sequential Recommendation. We propose a domain-gated dual-expert framework, equipped with an item-aware attention transformation module, which aggregates textual subtokens into item-level representations and enforces block-level attention masking. The single-domain expert restricts autoregressive attention to items within the same domain, while the cross-domain expert allows it across all domains. A gating mechanism adaptively fuses their outputs, using single-domain signals to reduce cross-domain noise that causes negative transfer. Second, we introduce a dual-sampling token-to-item contrastive learning objective that allows LLMs to capture the item-level collaborative signals from both single- and cross-domains. This is achieved by transforming token-level item texts into item-level representations and applying stochastic negative sampling from both single- and cross-domain item pools for contrastive learning. Extensive experiments on two real-world datasets across ten domains show that our model outperforms 26 state-of-the-art methods in recommendation performance.
• Abstract（参考訳）: Cross-Domain Sequential Recommendation (CDSR) は、複数のドメインにわたる過去のインタラクションシーケンスに基づいて、ユーザが次に対話するアイテムを予測する。 最近のアプローチでは、LLMRecと呼ばれる推奨項目を検索するために、クロスドメインユーザシーケンスのテキスト表現を微調整したLarge Language Models (LLMs)を活用している。 しかし、LLMRecは主にトークンレベルのアイテムテキストの自己回帰パターンをモデル化し、アイテムレベルの協調信号を見渡す。 このセマンティックなミスアライメントは、しばしばCDSRタスクにおけるドメイン終端の負の転送劣化性能に歪んだ知識伝達をもたらす。 そこで本研究では,LLMを用いた新しいCDSRモデルDuELRec: Domain-Gated Dual Experts with LLMs for Cross-Domain Sequential Recommendationを提案する。 本稿では,テキストのサブトークンをアイテムレベルの表現に集約し,ブロックレベルのアテンションマスキングを実施する,アイテム認識アテンション変換モジュールを備えたドメインゲート型デュアルエキスパートフレームワークを提案する。 単一ドメインの専門家は、同じドメイン内のアイテムに対する自己回帰的注意を制限する一方、クロスドメインの専門家は、すべてのドメインでそれを可能にする。 ゲーティング機構は、単一ドメイン信号を用いて出力を適応的に融合させ、負の転送を引き起こすクロスドメインノイズを低減する。 第2に、LLMがシングルドメインとクロスドメインの両方からアイテムレベルの協調信号をキャプチャ可能な、二重サンプリングトークン対イテムの対照的な学習目標を導入する。 これは、トークンレベルのアイテムテキストをアイテムレベルの表現に変換し、対照的な学習のためにシングルドメインとクロスドメインのアイテムプールから確率的ネガティブサンプリングを適用することで達成される。 10領域にわたる2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、我々のモデルは推奨性能において26の最先端の手法より優れていることが示された。

関連論文リスト

• 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)
• RecBase: Generative Foundation Model Pretraining for Zero-Shot Recommendation [78.01030342481246]
  RecBaseは、レコメンデーション指向の目的によって事前訓練されたドメインに依存しない基礎モデルである。 アイテムを階層的な概念識別子にエンコードする統一されたアイテムトークンを導入します。 我々のモデルは、ゼロショットおよびクロスドメインレコメンデーションタスクにおいて、LLMのベースラインの最大7Bパラメータのパフォーマンスを一致または超過します。
  論文  参考訳（メタデータ） (2025-09-03T08:33:43Z)
• LLM-Enhanced Multimodal Fusion for Cross-Domain Sequential Recommendation [32.40055370439922]
  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、複数のドメインにわたる歴史的なインタラクションを活用することで、ユーザの振る舞いを予測する。 我々は,LLM-EMF(クロスドメインシーケンスレコメンデーション)のためのLLM強化多モード核融合を提案する。 LLM-EMFは、LLM(Large Language Models)の知識でテキスト情報を強化する新しい高度なアプローチである。
  論文  参考訳（メタデータ） (2025-06-22T09:53:21Z)
• Bridge the Domains: Large Language Models Enhanced Cross-domain Sequential Recommendation [30.116213884571803]
  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、様々なドメインにわたるユーザの歴史的なインタラクションから好みを抽出することを目的としている。 既存のCDSRメソッドは、クロスドメインアイテムの関係を学習するために、すべてのドメインでインタラクションを所有するユーザに依存している。 強力な表現力と推論能力により、LLM(Large Language Models)はこれらの2つの問題に対処することを約束している。
  論文  参考訳（メタデータ） (2025-04-25T14:30:25Z)
• 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)
• 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)
• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• 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)

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。