論文の概要: When Semantics Fall Short: Persona-Guided Cross-Domain Sequential Recommendation with Large Language Models

• arxiv url: http://arxiv.org/abs/2610.25221v1
• Date: Sun, 18 Oct 2026 12:28:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:25:20.471645
• Title: When Semantics Fall Short: Persona-Guided Cross-Domain Sequential Recommendation with Large Language Models
• Title（参考訳）: セマンティックスが短くなったとき:大規模言語モデルを用いたペルソナガイド型クロスドメインシークエンシャルレコメンデーション
• 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、ドメイン間でのユーザ動作の転送によってデータの疎結合を緩和する。 近年の進歩は、グローバルアイテムセマンティクスを通じてドメインをブリッジするために、大規模言語モデル(LLM)を活用している。 グローバルセマンティックブリッジからペルソナ誘導行動モデリングへ焦点を移すLCM強化CDSRフレームワークであるPerCDRを提案する。
• 参考スコア（独自算出の注目度）: 22.868174830921458
• License:
• Abstract: Cross-domain sequential recommendation (CDSR) alleviates data sparsity by transferring user behaviors across domains. Recent advances increasingly leverage large language models (LLMs) to bridge domains through global item semantics. However, this paradigm is inherently limited by two issues: I. semantic domain isolation, where item semantics remain domain-specific and hinder transferable modeling, and II. semantic-behavior inconsistency, where local semantic relations are more consistent with behavioral transitions, whereas such consistency often breaks down globally across domains. To this end, we propose PerCDR, an LLM-enhanced CDSR framework that shifts the focus from global semantic bridging to persona-guided behavioral modeling. Specifically, PerCDR leverages LLM-inferred personas to globally guide transferable cross-domain behavioral patterns, while exploiting local semantic relations to enhance intra-domain behavioral modeling, followed by domain preference adaptation for recommendation refinement. Extensive experiments demonstrate the superiority of PerCDR and validate its effectiveness.
• 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、ドメイン間でのユーザ動作の転送によってデータの疎結合を緩和する。 近年の進歩は、グローバルアイテムセマンティクスを通じてドメインをブリッジするために、大規模言語モデル(LLM)を活用している。 しかし、このパラダイムは本質的に2つの問題によって制限されている: I. セマンティックドメイン分離、そこではアイテムのセマンティクスはドメイン固有のままであり、転送可能なモデリングを妨げる。 セマンティックビヘイビアの不整合(semantic-behavior inconsistency)は、局所的なセマンティックな関係が振る舞いの遷移とより整合しているのに対して、そのような一貫性はドメイン全体で世界規模で分解されることが多い。 この目的のために,グローバルセマンティックブリッジからペルソナ誘導行動モデリングへ焦点を移すLCM強化CDSRフレームワークPerCDRを提案する。 特に、PerCDRはLLM推論されたペルソナを利用して、転送可能なクロスドメインの振る舞いパターンをグローバルにガイドすると同時に、ドメイン内の振る舞いモデリングを強化するために局所的な意味的関係を利用し、続いてレコメンデーションレコメンデーションレコメンデーションレコメンデーションのためのドメイン優先適応を行う。 大規模な実験は、PerCDRの優位性を実証し、その有効性を検証する。

関連論文リスト

• From Clues to Generation: Language-Guided Conditional Diffusion for Cross-Domain Recommendation [8.759054108541394]
  クロスドメインレコメンデーション(CDR)は、複数のドメイン間の相関を利用してデータの分散を緩和する。 本稿では,Language-Guided Conditional Diffusion for CDR (LGCD)を提案する。
  論文  参考訳（メタデータ） (2026-04-07T03:05:22Z)
• Reasoning-Driven Multimodal LLM for Domain Generalization [72.00754603114187]
  DomainBed-Reasoning データセットを用いた領域一般化における推論の役割について検討する。 MTCT(Multi-Task Cross-Training)とSARR(Self-Aligned Reasoning Regularization)の2つのコンポーネントからなるフレームワークであるRD-MLDGを提案する。 標準のDomainBedデータセットの実験は、RD-MLDGが補完的な最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-02-27T08:10:06Z)
• 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)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• 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)
• Cross-Domain Policy Transfer by Representation Alignment via Multi-Domain Behavioral Cloning [13.674493608667627]
  本稿では、ドメイン間の共有潜在表現と、その上に共通の抽象ポリシーを学習する、ドメイン間ポリシー転送のためのシンプルなアプローチを提案する。 提案手法は,プロキシタスクの不整合軌道上でのマルチドメイン動作のクローン化と,ドメイン間のアライメントを促進するために,最大平均不整合(MMD)を正規化用語として利用する。
  論文  参考訳（メタデータ） (2024-07-24T00:13:00Z)
• 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)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• Structured Latent Embeddings for Recognizing Unseen Classes in Unseen Domains [108.11746235308046]
  本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。 挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T17:57:46Z)

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。