🤖 AI

CoRCi: Cross-Reconstruction of Coherent Interests Modeling in Cross-Domain Sequential Recommendation

CoRCi es un novedoso marco de recomendación secuencial cross-domain que aborda los problemas de escasez de datos y coherencia de intereses mediante el empleo de un mecanismo de reconstrucción cruzada para generar representaciones de dominios mixtos y una función de pérdida FocalNCE para fortalecer la alineación invariante de dominio, superando así a los métodos de vanguardia.

Autores originales: Qingtian Bian, Tieying Li, Marcus de Carvalho, Jiaxing Xu, Hui Fang, Yiping Ke

Publicado 2026-08-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Qingtian Bian, Tieying Li, Marcus de Carvalho, Jiaxing Xu, Hui Fang, Yiping Ke

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando adivinar qué quiere comer tu amigo después. Si solo sabes que le encanta la pizza, podrías sugerirle más pizza. Pero, ¿qué pasa si también sabes que acaba de comprar una cafetera elegante y algunos granos gourmet? De repente, te das cuenta de que no es solo un "amante de la pizza"; es un "foodie" con un gusto específico y evolutivo por los ingredientes de alta calidad, ya sea de inspiración italiana o para el café italiano. Esto es el corazón de los Sistemas de Recomendación: los casamenteros digitales que intentan predecir qué te gustará después basándose en lo que has hecho antes.

Normalmente, estos sistemas trabajan en silos. Una aplicación de películas solo conoce tu historial de películas, y una aplicación de comestibles solo conoce tu historial de alimentos. Pero las personas somos desordenadas; saltamos entre categorías. Compramos una sartén para parrilla, luego una bolsa de café, luego un snack. Nuestros intereses fluyen a través de estas fronteras. El desafío que enfrentan los científicos es la Recomendación Secuencial de Dominios Cruzados (Cross-Domain Sequential Recommendation). Es el arte de conectar los puntos entre tu vida de "cocina" y tu vida de "comida" para entender tu verdadero y evolutivo gusto. La gran pregunta es: ¿cómo le enseñamos a una computadora a ver que una sartén para parrilla y una bolsa de café son parte de la misma historia, sin confundirse por los diferentes tipos de artículos?

Aquí es donde entra un nuevo artículo llamado CoRCi (que significa Reconstrucción Cruzada de Intereses Coherentes). Los investigadores, un equipo de universidades de Singapur y China, notaron que los intentos previos de conectar estos diferentes "mundos" eran un poco torpes. Eran como intentar coser dos telas diferentes simplemente pegando los bordes; el patrón dentro de la tela se distorsionaría.

Los autores argumentan que la vieja forma de hacer las cosas trata tu historial de "cocina" y tu historial de "comida" como dos historias separadas que simplemente suceden al mismo tiempo. Descubrieron que cuando obligas a una computadora a aprender de estas historias mezcladas usando los métodos antiguos, esta se confunde. Empieza a ver las diferencias entre los dominios (como "esto es una sartén" frente a "esto es café") como algo más importante que las similitudes (como "estoy cocinando una comida saludable"). Esto causa que la computadora pierda la "coherencia" de tus intereses: el flujo suave y lógico de tu personalidad a través de diferentes temas.

Para solucionar esto, CoRCi introduce una danza de dos pasos muy ingeniosa. Primero, en lugar de construir un nuevo cerebro desde cero para entender la historia mezclada, toma el "cerebro" que ya construyó para las historias específicas (el cerebro exclusivo de cocina y el cerebro exclusivo de comida) y utiliza un puente especial llamado Reconstrucción Cruzada (Cross-Reconstruction). Imagina que tienes dos traductores que hablan diferentes idiomas perfectamente. En lugar de obligarlos a aprender un tercer idioma mixto desde cero, dejas que hablen entre sí para crear un entendimiento compartido de la historia que ambos están contando. CoRCi utiliza esta "atención cruzada" para mezclar los detalles específicos en una imagen unificada y coherente de tus intereses.

Segundo, el artículo introduce una nueva regla de puntuación llamada FocalNCE. Piensa en esto como un profesor estricto que sabe que los estudiantes suelen cometer errores con cosas que se ven muy similares. En el mundo de las recomendaciones, los artículos de la misma categoría (como dos tipos diferentes de café) son muy similares, por lo que una computadora podría priorizar uno porque se parece al otro. FocalNCE castiga más severamente a la computadora cuando confunde artículos de la misma categoría, obligándola a prestar más atención a las conexiones únicas y trans-dominio que realmente importan. Es como decirle a la computadora: "No elijas el café solo porque se parece al otro café; elígelo porque encaja en toda la historia de tu aventura culinaria".

Los investigadores probaron esta idea en cuatro conjuntos de datos del mundo real, incluyendo colecciones masivas de reseñas de Amazon (que cubren cosas como comida, utensilios de cocina, productos de belleza y electrónica) y Douban (películas, libros y música). Encontraron que CoRCi supera consistentemente a los mejores métodos existentes. De hecho, en el conjunto de datos Amazon Food-Kitchen, mejoró la capacidad de predecir el siguiente artículo en aproximadamente un 5% a un 11% en comparación con los campeones anteriores. En el conjunto de datos Beauty-Electronics, las ganancias fueron aún más impresionantes, alcanzando hasta un 11%.

El artículo también realizó experimentos de "¿qué pasaría si?" para demostrar por qué su método funciona. Intentaron eliminar el puente especial (Reconstrucción Cruzada) o el profesor estricto (FocalNCE), y el rendimiento cayó. Incluso lo probaron en un conjunto de datos con tres dominios (películas, libros y música) donde los usuarios no necesariamente interactuaban con los tres, y CoRCi aun así ganó.

En resumen, el artículo sugiere que para comprender verdaderamente lo que un usuario quiere después, no debemos simplemente amalgamar sus diferentes historiales y esperar lo mejor. En su lugar, debemos reconstruir cuidadosamente sus intereses para mantener la coherencia de la historia, y usar reglas de puntuación más inteligentes para asegurar que la computadora se enfoque en las conexiones únicas entre las diferentes partes de su vida. Es un paso pequeño pero significativo hacia lograr que nuestros asistentes digitales se sientan menos como bases de datos rígidas y más como amigos que realmente nos "entienden".

Resumen Técnico: CoRCi

Planteamiento del Problema
La Recomendación Secuencial de Dominio Cruzado (CDSR, por sus siglas en inglés) tiene como objetivo mitigar la dispersión de datos mediante la transferencia de intereses dinámicos de los usuarios a través de dominios relacionados. Una premisa central es que ciertos intereses de los usuarios son invariantes al dominio y evolucionan de manera coherente a través de múltiples dominios. Sin embargo, los métodos actuales de CDSR enfrentan dos desafíos primarios:

Pérdida de Coherencia de Interés: Los enfoques actuales suelen fusionar secuencias específicas de un dominio en una secuencia de dominio mixto, pero emplean codificadores separados entrenados con una agregación de pérdida por dominio (estrategia de Objetivo Dual). Este flujo de trabajo fragmenta los intereses del usuario, fallando en preservar la coherencia inherente de los patrones invariantes al dominio, particularmente cuando los pares de consulta-objetivo en modelos Seq2Seq se originan en diferentes dominios.
Discrepancias de Dominio: La mayoría de los modelos aprenden representaciones de dominio mixto desde cero utilizando codificadores separados. Esto introduce brechas de dominio significativas, ya que las consultas y los objetivos reales (ground-truth) suelen pertenecer a dominios distintos, lo que degrada el rendimiento. Además, las pérdidas de contraste estándar en entornos de dominio mixto pueden introducir un sesgo intradominio, donde las muestras negativas del mismo dominio que la consulta son demasiado similares, sesgando el espacio de representación.

Metodología: CoRCi
Los autores proponen CoRCi (Cross-Reconstruction for Coherent Interests), un marco de CDSR de objetivo dual diseñado para cerrar estos dominios preservando la coherencia de los intereses. La arquitectura consta de tres componentes:

Codificadores de Autoatención de Dominio Específico (SAE): En lugar de entrenar un único codificador desde cero con datos mixtos, CoRCi primero codifica secuencias de dominios específicos ( $T_A$ y $T_B$ ) de forma independiente utilizando codificadores de autoatención dedicados. Esto preserva los patrones iniciales específicos de cada dominio.
Módulo de Reconstrucción Cruzada (CR): Para reconectar los intereses invariantes al dominio dispersos, CoRCi emplea un enfoque de Reconstrucción Cruzada. Genera representaciones de dominio mixto ( $H_M$ $H_{M}$ ) directamente a partir de las representaciones de dominio específico pre-codificadas ( $H_A, H_B$ $H_{A}, H_{B}$ ) utilizando un mecanismo de atención cruzada.
- La consulta ( $Q$ ) es la incrustación (embedding) de dominio mixto ( $E_M$ ), introduciendo información posicional de dominio mixto.
- La clave ( $K$ ) y el valor ( $V$ ) son la suma de las representaciones de dominio específico pre-codificadas ( $H_A + H_B$ ).
- Esto permite al modelo reconstruir una visión de dominio mixto coherente sin tener que aprenderla desde cero.
Transferidores de Atención Cruzada (CAT): El conocimiento de dominio mixto reconstruido se transfiere de vuelta a las representaciones de dominio específico a través de Transferidores de Atención Cruzada. Se aplica una operación de detención de gradiente (stop-gradient) a la representación de dominio mixto ( $\hat{H}_M$ ) durante esta transferencia. Esto asegura que el modelado de dominio mixto actúe como un núcleo (backbone) agnóstico a la tarea, evitando que la supervisión de un dominio específico distorsione la coherencia de los intereses invariantes al dominio.
FocalNCE: Para mitigar el sesgo intradominio en el objetivo de dominio mixto, los autores introducen FocalNCE. Este integra la Pérdida Focal en el objetivo InfoNCE estándar.
- En el entorno de dominio mixto, las muestras negativas se extraen de ambos dominios específicos.
- FocalNCE asigna penalizaciones más altas a las muestras negativas extraídas del mismo dominio que la consulta (ítem positivo).
- Esto obliga al modelo a enfocarse en los negativos transdominio más difíciles, fortaleciendo así la alineación invariante al dominio y suprimiendo el ruido específico del dominio.

La función objetivo final es una combinación lineal de las pérdidas de dominio específico ( $L_A, L_B$ ) y la pérdida de dominio mixto ( $L_M$ ), ponderada por un hiperparámetro $\beta$ .

Contribuciones Clave

Enfoque de Reconstrucción Cruzada: Un método novedoso que genera representaciones de dominio mixto a partir de secuencias codificadas de dominio específico mediante atención cruzada, reconectando eficazmente los intereses invariantes al dominio que de otro modo estarían dispersos.
FocalNCE: Una nueva función de pérdida que incorpora la Pérdida Focal en el objetivo InfoNCE de dominio mixto para mitigar el sesgo intradominio y prevenir la fragmentación de los intereses coherentes.
Evaluación Exhaustiva: Experimentos extensos en cuatro conjuntos de datos del mundo real (Amazon Food-Kitchen, Beauty-Electronics, Movie-Book y un conjunto de datos de tres dominios de Douban) demostrando un rendimiento superior constante sobre sus contrapartes de CDSR de vanguardia.

Resultados Experimentales

Rendimiento: CoRCi supera consistentemente a todos los modelos base (incluyendo ST-SR, DT-SR, MT-SR y modelos de DT-CDSR como ABXI, DREAM y C2DSR) en todas las métricas (HR@5, HR@10, NDCG@10, MRR) en todos los conjuntos de datos.
Significancia Estadística: Las mejoras son estadísticamente significativas ( $p < 0.01$ ) en ambos dominios de todos los conjuntos de datos.
Estudios de Ablación:
- Reemplazar el híbrido SAE-CR por un único codificador compartido o codificadores totalmente desacoplados resulta en una degradación del rendimiento, validando la arquitectura propuesta.
- Eliminar los Transferidores de Atención Cruzada (CAT) o la operación de detención de gradiente reduce significativamente el rendimiento, confirmando su necesidad para la fusión a nivel de secuencia y el mantenimiento de la coherencia.
- El uso de InfoNCE estándar en lugar de FocalNCE degrada el rendimiento, particularmente en dominios difíciles, resaltando la importancia de suprimir el sesgo intradominio.
Generalizabilidad: CoRCi mantiene un rendimiento superior en un escenario de tres dominios con usuarios no superpuestos (Douban Movie-Book-Music), demostrando robustez en escenarios complejos del mundo real.

Significancia y Afirmaciones
El artículo afirma que CoRCi aborda la falla fundamental en los métodos de CDSR existentes, donde la agregación de pérdida por dominio y los codificadores separados interrumpen la coherencia natural de los intereses del usuario a través de los dominios. Al reconstruir las representaciones de dominio mixto a partir de las codificaciones de dominio específico y utilizar una pérdida agnóstica al dominio con penalizaciones focales, CoRCi captura y preserva eficazmente los intereses invariantes al dominio. Los autores sostienen que este enfoque conduce a perfiles de usuario más precisos y a un mejor rendimiento de recomendación, particularmente en escenarios donde los intereses de los usuarios evolucionan coherentemente a través de diferentes categorías de productos. El trabajo sugiere que preservar la "coherencia" de los intereses es más crítico que la simple agregación de datos, ofreciendo una nueva dirección para el modelado de preferencias dinámicas de los usuarios en entornos de dominio cruzado.

Más como este