論文の概要: LightCRS: Lightweight Multi-Domain Conversational Recommendation System

• arxiv url: http://arxiv.org/abs/2610.26948v1
• Date: Sun, 18 Oct 2026 07:11:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.405343
• Title: LightCRS: Lightweight Multi-Domain Conversational Recommendation System
• Title（参考訳）: LightCRS:軽量多ドメイン会話推薦システム
• Abstract要約: LightCRSは、統合マルチドメインマルチモーダルレコメンデーションのための軽量フレームワークである。 MM-R2A-25は、自然なRedditレコメンデーション検索とAmazon製品リストとの会話を組み合わせたベンチマークである。 LightCRSは最先端の平均HR@1, NDCG@5, MRRを達成し、最強のベースラインに対してHR@1を35.4%改善した。
• 参考スコア（独自算出の注目度）: 4.004956426633102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational recommender systems have recently adopted vision-language models to match user dialogue intents with multimodal product information. However, extending these methods to many product domains faces a dilemma: deploying a separately adapted VLM per domain scales cost linearly with the number of domains and requires routing each dialogue to the right model, while naively merging all domains into a single VLM degrades accuracy because product characteristics vary widely across categories. We propose LightCRS, a lightweight, query-conditioned framework for unified multi-domain multimodal conversational recommendation. LightCRS precomputes multimodal product representations once offline with frozen encoders. Online, a compact 5.3M-parameter module fuses this evidence for each dialogue via query-conditioned cross-attention, whose parameters are shared across all domains, and compares candidates jointly with an inter-candidate Transformer. To enable rigorous evaluation, we construct MM-R2A-25, a 25-domain benchmark pairing natural Reddit recommendation-seeking conversations with Amazon product listings. LightCRS achieves state-of-the-art average HR@1, NDCG@5, and MRR, improving HR@1 by 35.4\% over the strongest baseline while reducing per-query latency by 266 times. Joint multi-domain training itself improves HR@1 by 15.2\% over separately trained single-domain models.
• Abstract（参考訳）: 対話型レコメンデータシステムは近年,ユーザ対話意図とマルチモーダル製品情報とを一致させる視覚言語モデルを採用している。 しかし、これらのメソッドを多くの製品ドメインに拡張することはジレンマに直面している: ドメイン毎に個別に適応されたVLMをデプロイすることは、ドメイン数と線形にスケールし、各対話を適切なモデルにルーティングする必要がある。 マルチドメイン・マルチモーダル・会話・レコメンデーションのための軽量なクエリ条件付きフレームワークLightCRSを提案する。 LightCRSは、凍結エンコーダで一度オフラインでマルチモーダルな製品表現をプリコンプリートする。 オンラインでは、コンパクトな5.3Mパラメータモジュールがクエリ条件のクロスアテンションを通じて各対話のこの証拠を融合させ、そのパラメータはすべてのドメインで共有され、候補を候補間変換器と共同で比較する。 厳密な評価を可能にするため,25ドメインのベンチマークであるMM-R2A-25を構築した。 LightCRSは最先端の平均HR@1、NDCG@5、MRRを達成し、最強のベースラインに対してHR@1を35.4倍改善し、クエリ毎のレイテンシを266倍削減する。 統合マルチドメイントレーニング自体は、個別に訓練された単一ドメインモデルよりもHR@1を15.2\%改善する。

関連論文リスト

• 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)
• OneMall: One Architecture, More Scenarios -- End-to-End Generative Recommender Family at Kuaishou E-Commerce [68.7552227901176]
  OneMallは、Kuaishouのeコマースサービスに適したエンドツーエンドのジェネレーティブレコメンデーションフレームワークである。 製品カード、ショートビデオ、ライブストリーミングなど、eコマースの複数のアイテム配信シナリオを統合する。 OneMallはすでにデプロイされており、Kuaishouでは毎日4億人のアクティブユーザーが利用している。
  論文  参考訳（メタデータ） (2026-01-29T14:22:39Z)
• 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)
• 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)
• Joint Similarity Item Exploration and Overlapped User Guidance for Multi-Modal Cross-Domain Recommendation [27.00142195880019]
  マルチモーダル・クロスドメイン・レコメンデーション問題を解決するために,SIEOUG(Joint similarity Item Exploration and Overlapped User Guidance)を提案する。 SIEOUGは、MMCDR設定下での最先端モデルを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2025-02-22T03:57:43Z)
• MLoRA: Multi-Domain Low-Rank Adaptive Network for CTR Prediction [18.524017579108044]
  CTR予測のためのMulti-domain Low-Rank Adaptive Network (MLoRA)を提案する。 実験により,MLoRA法は最先端のベースラインに比べて大幅に改善された。 MLoRAのコードは公開されています。
  論文  参考訳（メタデータ） (2024-08-14T05:53:02Z)
• Domain Re-Modulation for Few-Shot Generative Domain Adaptation [71.47730150327818]
  生成ドメイン適応(Generative Domain Adaptation, GDA)は、トレーニング済みのジェネレータを、いくつかの参照イメージのみを使用して、ひとつのドメインから新しいドメインに転送する。 人間の脳が新しいドメインの知識を得る方法に触発されて、ドメイン再構成(DoRM)と呼ばれる革新的なジェネレータ構造を提示する。 DoRMは、高品質、大規模な合成の多様性、ドメイン間の整合性の基準を満たすだけでなく、メモリとドメインの関連も含んでいる。
  論文  参考訳（メタデータ） (2023-02-06T03:55:35Z)
• PoE: a Panel of Experts for Generalized Automatic Dialogue Assessment [58.46761798403072]
  モデルベース自動対話評価基準(ADEM)は,複数の領域にわたって良好に機能することが期待される。 大きな進歩にもかかわらず、ある領域でうまく機能するADEMは必ずしも他の領域に一般化するとは限らない。 本稿では,共有トランスフォーマーエンコーダと軽量アダプタの集合からなるPanel of Experts (PoE)ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-18T02:26:50Z)

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。