論文の概要: Cross-Domain Sequential Recommendation with Representation-Level User Transfer

• arxiv url: http://arxiv.org/abs/2610.35550v1
• Date: Mon, 26 Oct 2026 14:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.042255
• Title: Cross-Domain Sequential Recommendation with Representation-Level User Transfer
• Title（参考訳）: 表現レベルユーザ転送を用いたクロスドメインシーケンス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は、補助的なソースドメインからのユーザの振る舞いを活用することで、ターゲットドメインにおける次のイテム予測を改善することを目的としている。 本稿では、学習したユーザ表現を通してのみ情報を伝達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、シンプルで実用的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.8441956505269868
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain sequential recommendation aims to improve next-item prediction in a target domain by leveraging user behavior from auxiliary source domains. However, real-world deployment faces two critical challenges: business constraints that isolate interaction data across domains, and user heterogeneity, where many users lack cross-domain activity. This makes existing cross-domain methods difficult to apply. In this paper, we propose a simple and practical framework for cross-domain sequential recommendations that transfers information exclusively through learned user representations, without sharing raw interaction data or item embeddings across domains. We introduce a lightweight adapter that projects the source-domain user representation into the target-domain embedding space and integrates it with the target interaction sequence. Importantly, when source data is unavailable (i.e., the user observed only in the target domain), the model seamlessly defaults to a robust target-only sequential recommender, retaining benefits from joint training across all users. Extensive experiments were conducted under two setups; one targets benchmarking against previous baselines, while the other focuses on realistic and scalable conditions. Both sets of experiments demonstrate consistent performance gains for shared and unshared users.
• 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は、補助的なソースドメインからのユーザの振る舞いを活用することで、ターゲットドメインにおける次のイテム予測を改善することを目的としている。 しかし、実際のデプロイメントには2つの重要な課題がある。ドメイン間のインタラクションデータを分離するビジネス制約と、多くのユーザがドメイン間のアクティビティを欠いているユーザ不均一性だ。 これにより、既存のクロスドメインメソッドの適用が困難になる。 本稿では,ドメイン間の対話データやアイテム埋め込みを共有せずに,学習したユーザ表現を通じて情報のみを伝達する,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簡易かつ実用的なフレームワークを提案する。 本稿では、ソースドメインのユーザ表現をターゲットドメインの埋め込み空間に投影し、ターゲットのインタラクションシーケンスと統合する軽量アダプタを提案する。 重要なことは、ソースデータが利用できない場合(すなわち、ターゲットドメイン内でのみ観察される)、モデルはシームレスに、堅牢なターゲットのみのシーケンシャルレコメンデータにデフォルトされ、すべてのユーザ間で共同トレーニングのメリットが保たれる。 1つは以前のベースラインに対するベンチマークを目標とし、もう1つは現実的でスケーラブルな条件に焦点を当てた。 どちらの実験も、共有ユーザと共有ユーザによる一貫したパフォーマンス向上を示している。

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)
• 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)
• DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation [11.61586672399166]
  クロスドメインレコメンデーション(CDR)が有望なソリューションとして登場した。 しかし、ソースドメインに類似した好みを持つユーザは、ターゲットドメインに対して異なる関心を示す可能性がある。 そこで本稿では,ユーザ意図の微粒化を捉えるために,グラフに基づく非交叉型コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:20:42Z)
• Coherence-guided Preference Disentanglement for Cross-domain Recommendations [71.4198675855171]
  本研究では,共有項目属性を明示的に抽出し,共有ユーザの好みを学習するためのコヒーレンス誘導型参照不整合(CoPD)手法を提案する。 実世界のデータセットで行った実験は、既存の競争ベースラインよりも提案したCoPDの優れた性能を示し、ドメイン間の推薦性能を向上させる効果を強調した。
  論文  参考訳（メタデータ） (2024-10-27T20:21:14Z)
• Cross-domain recommendation via user interest alignment [20.387327479445773]
  クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。 このアプローチの一般的な実践は、各ドメインに個別にユーザ埋め込みをトレーニングし、それらを平易な方法で集約することです。 本稿では,2つのドメインの推薦性能を改善するために,新しいドメイン間推薦フレームワークであるCOASTを提案する。
  論文  参考訳（メタデータ） (2023-01-26T23:54:41Z)
• 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)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)

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。