論文の概要: Cross-Country Code-Mixing for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2609.28972v1
• Date: Thu, 24 Sep 2026 03:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.693515
• Title: Cross-Country Code-Mixing for Generative Recommendation
• Title（参考訳）: 生成レコメンデーションのためのクロスカウンタコードミキシング
• Abstract要約: 現代のeコマースプラットフォームにおけるクロスカントリーレコメンデーションは、通常、市場全体で不定期なユーザーとアイテムIDスペースで展開される。 CMRecは、データレベルでのクロスカントリー監視を、二重制約でコンテキスト対応のコードミキシングを通じて注入するフレームワークである。
• 参考スコア（独自算出の注目度）: 16.54204487155087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-country recommendation on modern e-commerce platforms is typically deployed with disjoint user and item ID spaces across markets, removing the shared anchors that conventional cross-domain methods rely on. Generative recommendation (GR) mitigates this by mapping items into a shared token space and training a unified model, but existing approaches keep behavior sequences strictly country-specific, so knowledge transfer occurs only at the parameter level and remains absent at the data level. Inspired by code-switching corpora in multilingual natural language processing, we propose CMRec, a cross-country GR framework that injects cross-country supervision at the data level via dual-constrained, context-aware code-mixing. CMRec first learns a shared semantic codebook from multi-modal content and behavioral co-occurrence across countries. It then uses this codebook to synthesize mixed-country sequences via token-level substitutions that satisfy both static (content) and dynamic (e.g., price, audience, popularity) constraints. Finally, it introduces a context-aware loss that reweights mixed samples according to their plausibility in the current sequence. Experiments on two real-world multi-country datasets and an online A/B test show that CMRec substantially improves recommendation quality in data-sparse countries while preserving performance in data-rich countries, achieving +1.77% advertising revenue and +2.64% orders on a large-scale e-commerce platform.
• Abstract（参考訳）: 現代のeコマースプラットフォームにおけるクロスカントリーレコメンデーションは、通常、市場全体で不定期なユーザーとアイテムIDスペースが配置され、従来のクロスドメインメソッドが依存する共有アンカーが取り除かれる。 生成的レコメンデーション(GR)は、アイテムを共有トークン空間にマッピングし、統一モデルのトレーニングによってこれを緩和するが、既存のアプローチでは、振る舞いシーケンスを厳密に国固有のものとして保持しているため、知識伝達はパラメータレベルでのみ発生し、データレベルでは行われない。 多言語自然言語処理におけるコードスイッチングコーパスに着想を得たCMRecを提案する。 CMRecはまず、多モーダルコンテンツと国間の行動共起から共有セマンティックコードブックを学習する。 次に、このコードブックを使用して、静的(コンテンツ)と動的(価格、オーディエンス、人気など)の制約を満たすトークンレベルの置換を通じて、混合カウンタシーケンスを合成する。 最後に、現在のシーケンスの妥当性に応じて混合サンプルを重み付けするコンテキスト認識損失を導入する。 2つの実世界のマルチカントリーデータセットとオンラインA/Bテストの実験では、CMRecはデータ豊富な国々のパフォーマンスを維持しながら、データスパース諸国のレコメンデーション品質を大幅に改善し、大規模なeコマースプラットフォームで+1.77%の広告収入と+2.64%の注文を達成している。

関連論文リスト

• Hierarchical Quantization with Domain-Adaptive Sparse Routing for Generative Cross-Domain Recommendation [52.29536950794571]
  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。
  論文  参考訳（メタデータ） (2026-08-07T09:15:19Z)
• FedMM: Federated Collaborative Signal Quantization for Multi-Market CTR Prediction [17.392497883316818]
  AmazonやNetflixのようなオンラインプラットフォームは、複数の国や地域にわたってユーザーにサービスを提供し、マルチマーケットレコメンデーション(MMR)の重要性を強調している。 ほとんどのMMR法は事前学習と微調整のパラダイムを採用しており、統一モデルはまず、集中的なグローバルデータに基づいて訓練される。 マルチマーケットクリックスルーレート(CTR)予測のためのフェデレート協調信号量子化(FedMM)手法を提案する。
  論文  参考訳（メタデータ） (2026-05-12T02:32:43Z)
• From Local Indices to Global Identifiers: Generative Reranking for Recommender Systems via Global Action Space [50.72071213515985]
  GloRankは、ローカルインデックスの選択からグローバル識別子の生成に移行する、ジェネレーティブなフレームワークである。 我々はGloRankが最先端のベースラインを一貫して上回り、コールドスタートシナリオにおいて優れたロバスト性を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-28T06:57:00Z)
• 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)
• Federated Class-Incremental Learning: A Hybrid Approach Using Latent Exemplars and Data-Free Techniques to Address Local and Global Forgetting [10.061328213032088]
  FCIL(Federated Class-Incremental Learning)とは、動的に変化するクライアントの数が、継続的に増加するタスク数を共同で学習するシナリオを指す。 我々は,局所的およびグローバルな忘れを定式化するFCILの数学的枠組みを開発する。 局所的, グローバルな忘れを解消するために, 潜在例とデータフリー手法を利用したHybrid Rehearsalという手法を提案する。
  論文  参考訳（メタデータ） (2025-01-26T01:08:01Z)
• CroCoSum: A Benchmark Dataset for Cross-Lingual Code-Switched Summarization [25.182666420286132]
  自然に発生するCLSリソースの希少さを考えると、データセットの大部分は翻訳に頼らざるを得ない。 これにより、コードスイッチングのインスタンスを含む有機的辞書をキャプチャする自然発生のCLSペアを観測する能力を制限することができます。 我々はCroCoSumを紹介した。CroCoSumは、言語間のコード変更による技術ニュースの要約のデータセットである。
  論文  参考訳（メタデータ） (2023-03-07T17:52:51Z)

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。