🤖 AI

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

CoRCi è un nuovo framework di raccomandazione sequenziale cross-domain che affronta i problemi della scarsità dei dati e della coerenza degli interessi impiegando un meccanismo di cross-ricostruzione per generare rappresentazioni di dominio misto e una funzione di perdita FocalNCE per rafforzare l'allineamento invariante rispetto al dominio, superando così i metodi allo stato dell'arte.

Autori originali: Qingtian Bian, Tieying Li, Marcus de Carvalho, Jiaxing Xu, Hui Fang, Yiping Ke

Pubblicato 2026-08-11

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Qingtian Bian, Tieying Li, Marcus de Carvalho, Jiaxing Xu, Hui Fang, Yiping Ke

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di indovinare cosa vorrà mangiare il tuo amico dopo. Se sai solo che ama la pizza, potresti suggerire altra pizza. Ma cosa succede se sai anche che ha appena comprato una macchina per il caffè di lusso e dei chicchi gourmet? Improvvisamente, ti rendi conto che non è solo un "amante della pizza"; è un "foodie" con un gusto specifico ed evolutivo per gli ingredienti di alta qualità, che si tratti di cucina italiana o di un caffè d'ispirazione italiana. Questo è il cuore dei Sistemi di Raccomandazione: i mediatori digitali che cercano di prevedere cosa ti piacerà dopo, basandosi su ciò che hai fatto in precedenza.

Di solito, questi sistemi lavorano in silos. Un'app di film conosce solo la tua cronologia cinematografica, e un'app di alimentari conosce solo la tua cronologia alimentare. Ma le persone sono disordinate; saltiamo tra diverse categorie. Compriamo una padella da griglia, poi un sacchetto di caffè, poi uno snack. I nostri interessi fluiscono attraverso questi confini. La sfida che gli scienziati affrontano è la Raccomandazione Sequenziale Cross-Domain. È l'arte di connettere i puntini tra la tua vita da "cucina" e la tua vita da "foodie" per comprendere il tuo vero, evolutivo gusto. La grande domanda è: come insegniamo a un computer a vedere che una padella da griglia e un sacchetto di caffè fanno parte della stessa storia, senza confondersi tra i diversi tipi di oggetti?

È qui che entra in gioco un nuovo articolo chiamato CoRCi (che sta per Cross-Reconstruction of Coherent Interests). I ricercatori, un team proveniente da università di Singapore e Cina, hanno notato che i tentativi precedenti di connettere questi diversi "mondi" erano un po' goffi. Erano come cercare di cucire insieme due tessuti diversi semplicemente incollando i bordi; il motivo all'interno del tessuto si sarebbe distorto.

Gli autori sostengono che il vecchio modo di fare tratta la tua cronologia "da cucina" e la tua cronologia "da cibo" come due storie separate che si limitano a essere raccontate nello stesso momento. Hanno scoperto che quando si costringe un computer a imparare da queste storie miste usando i vecchi metodi, esso si confonde. Inizia a vedere le differenze tra i domini (come "questa è una padella" rispetto a "questo è caffè") come più importanti delle somiglianze (come "sto cucinando un pasto sano"). Questo causa la perdita della "coerenza" dei tuoi interessi — il flusso fluido e logico della tua personalità attraverso diversi argomenti.

Per risolvere questo problema, CoRCi introduce una danza intelligente in due fasi. Primo, invece di costruire un nuovo cervello da zero per comprendere la storia mescolata, prende il "cervello" che ha già costruito per le storie specifiche (il cervello solo per la cucina e quello solo per il cibo) e utilizza un ponte speciale chiamato Cross-Reconstruction. Immagina di avere due traduttori che parlano perfettamente lingue diverse. Invece di costringerli a imparare una terza lingua mista da zero, permetti loro di parlare tra loro per creare una comprensione condivisa della storia che entrambi stanno raccontando. CoRCi usa questa "cross-attention" per fondere i dettagli specifici in un quadro unificato e coerente dei tuoi interessi.

Secondo, l'articolo introduce una nuova regola di punteggio chiamata FocalNCE. Pensate a questo come a un insegnante severo che sa che gli studenti spesso commettono errori con cose che sembrano molto simili. Nel mondo delle raccomandazioni, gli articoli della stessa categoria (come due diversi tipi di caffè) sono molto simili, quindi un computer potrebbe dare priorità a uno perché assomiglia all'altro. FocalNCE punisce il computer più duramente quando confonde articoli della stessa categoria, costringendolo a prestare maggiore attenzione alle connessioni cross-domain uniche che contano davvero. È come dire al computer: "Non scegliere il caffè solo perché somiglia all'altro caffè; sceglilo perché si adatta all'intera storia della tua avventura culinaria".

I ricercatori hanno testato questa idea su quattro dataset reali, inclusi massicci collezioni di recensioni da Amazon (che coprono cose come cibo, utensili da cucina, prodotti di bellezza ed elettronica) e Douban (film, libri e musica). Hanno scoperto che CoRCi supera costantemente i migliori metodi esistenti. Infatti, sul dataset Amazon Food-Kitchen, ha migliorato la capacità di prevedere l'articolo successivo di circa il 5% dall'11% rispetto ai precedenti campioni. Sul dataset Beauty-Electronics, i guadagni sono stati ancora più impressionanti, raggiungendo l'11%.

L'articolo ha anche eseguito esperimenti "what-if" per dimostrare perché il loro metodo funziona. Hanno provato a rimuovere il ponte speciale (Cross-Reconstruction) o l'insegnante severo (FocalNCE), e le prestazioni sono calate. Hanno persino testato il sistema su un dataset con tre domini (film, libri e musica) dove gli utenti non interagivano necessariamente con tutti e tre, e CoRCi ha vinto comunque.

In breve, l'articolo suggerisce che per comprendere veramente cosa un utente desidererà dopo, non dovremmo solo mescolare le sue diverse cronologie sperando nel meglio. Invece, dovremmo ricostruire attentamente i suoi interessi per mantenere la coerenza della storia, e usare regole di punteggio più intelligenti per garantire che il computer si concentri sulle connessioni uniche tra le diverse parti della sua vita. È un piccolo ma significativo passo verso il rendere i nostri assistenti digitali meno simili a database rigidi e più simili ad amici che ci "capiscono" davvero.

Sintesi Tecnica: CoRCi

Definizione del Problema
La Raccomandazione Sequenziale Cross-Domain (CDSR) mira ad alleviare la scarsità di dati trasferendo gli interessi dinamici degli utenti attraverso domini correlati. Un presupposto centrale è che determinati interessi degli utenti siano invarianti rispetto al dominio ed evolvano in modo coerente attraverso più domini. Tuttavia, gli attuali metodi CDSR affrontano due sfide primarie:

Perdita di Coerenza dell'Interesse: Gli approcci attuali spesso fondono le sequenze specifiche del dominio in una sequenza a dominio misto, ma impiegano encoder separati addestrati con un'aggregazione della perdita per ogni dominio (strategia Dual-Target). Questo flusso di lavoro frammenta gli interessi dell'utente, fallendo nel preservare la coerenza intrinseca dei pattern invarianti rispetto al dominio, particolarmente quando le coppie query-target nei modelli Seq2Seq originano da domini diversi.
Discrepanze di Dominio: La maggior parte dei modelli apprende le rappresentazioni a dominio misto partendo da zero utilizzando encoder separati. Ciò introduce significativi gap di dominio, poiché le query e i target reali appartengono spesso a domini diversi, degradando le prestazioni. Inoltre, le perdite contrastive standard nelle impostazioni a dominio misto possono introdurre un bias intra-dominio, in cui i campioni negativi dello stesso dominio della query sono troppo simili, sbilanciando lo spazio di rappresentazione.

Metodologia: CoRCi
Gli autori propongono CoRCi (Cross-Reconstruction for Coherent Interests), un framework CDSR a doppio obiettivo progettato per colmare questi domini preservando al contempo la coerenza dell'interesse. L'architettura è composta da tre componenti:

Encoder di Self-Attention Specifici per Dominio (SAE): Invece di addestrare un singolo encoder da zero su dati misti, CoRCi codifica prima le sequenze specifiche del dominio ( $T_A$ e $T_B$ ) indipendentemente utilizzando encoder di Self-Attention dedicati. Ciò preserva i pattern iniziali specifici del dominio.
Modulo di Cross-Reconstruction (CR): Per riconnettere gli interessi invarianti rispetto al dominio dispersi, CoRCi impiega un approccio di Cross-Reconstruction. Genera rappresentazioni a dominio misto ( $H_M$ $H_{M}$ ) direttamente dalle rappresentazioni specifiche del dominio pre-codificate ( $H_A, H_B$ $H_{A}, H_{B}$ ) utilizzando un meccanismo di cross-attention.
- La query ( $Q$ ) è l'embedding a dominio misto ( $E_M$ ), introducendo informazioni posizionali a dominio misto.
- Il key ( $K$ ) e il value ( $V$ ) sono la somma delle rappresentazioni pre-codificate del dominio specifico ( $H_A + H_B$ ).
- Ciò consente al modello di ricostruire una visione coerente a dominio misto senza apprenderla da zero.
Cross-Attention Transferors (CAT): La conoscenza a dominio misto ricostruita viene trasferita alle rappresentazioni specifiche del dominio tramite i Cross-Attention Transferors. Durante questo trasferimento viene applicata un'operazione di stop-gradient alla rappresentazione a dominio misto ( $\hat{H}_M$ ). Ciò assicura che la modellazione a dominio misto agisca come un backbone agnostico rispetto al task, impedendo alla supervisione specifica del dominio di distorcere la coerenza degli interessi invarianti rispetto al dominio.
FocalNCE Loss: Per mitigare il bias intra-dominio nell'obiettivo a dominio misto, gli autori introducono FocalNCE. Questa integra la Focal Loss nell'obiettivo InfoNCE standard.
- Nell'impostazione a dominio misto, i campioni negativi sono tratti da entrambi i domini specifici.
- FocalNCE assegna penalità più elevate ai campioni negativi tratti dallo stesso dominio della query (item positivo).
- Ciò costringe il modello a concentrarsi su negativi cross-dominio più difficili, rafforzando così l'allineamento invariante rispetto al dominio e sopprimendo il rumore specifico del dominio.

La funzione obiettivo finale è una combinazione lineare delle perdite specifiche del dominio ( $L_A, L_B$ ) e della perdita a dominio misto ( $L_M$ ), pesata da un iperparametro $\beta$ .

Contributi Chiave

Approccio di Cross-Reconstruction: Un metodo innovativo che genera rappresentazioni a dominio misto dalle sequenze specifiche del dominio pre-codificate tramite cross-attention, riconnettendo efficacementamente gli interessi invarianti rispetto al dominio che altrimenti risulterebbero dispersi.
FocalNCE: Una nuova funzione di perdita che incorpora la Focal Loss nell'obiettivo InfoNCE a dominio misto per mitigare il bias intra-dominio e prevenire la frammentazione degli interessi coerenti.
Valutazione Comprensiva: Esperimenti estesi su quattro dataset del mondo reale (Amazon Food-Kitchen, Beauty-Electronics, Movie-Book e un dataset Douban a tre domini) che dimostrano una costante superiorità rispetto ai corrispondenti stati dell'arte della CDSR.

Risultati Sperimentali

Prestazioni: CoRCi supera costantemente tutti i baseline (inclusi i modelli ST-SR, DT-SR, MT-SR e i modelli DT-CDSR come ABXI, DREAM e C2DSR) in tutte le metriche (HR@5, HR@10, NDCG@10, MRR) su tutti i dataset.
Significatività Statistica: I miglioramenti sono statisticamente significativi ( $p < 0.01$ ) in entrambi i domini di tutti i dataset.
Studi di Ablazione:
- Sostituire l'ibrido SAE-CR con un singolo encoder condiviso o encoder completamente disaccoppiati risulta in un degrado delle prestazioni, validando l'architettura proposta.
- Rimuovere i Cross-Attention Transferors (CAT) o l'operazione di stop-gradient riduce significativamente le prestazioni, confermando la loro necessità per la fusione a livello di sequenza e il mantenimento della coerenza.
- L'uso di InfoNCE standard invece di FocalNCE degrada le prestazioni, particolarmente nei domini difficili, evidenziando l'importanza di sopprimere il bias intra-dominio.
Generalizzabilità: CoRCi mantiene prestazioni superiori in un setting a tre domini e utenti non sovrapponibili (Douban Movie-Book-Music), dimostrando robustezza in scenari complessi e reali.

Significato e Assertions
Il paper afferma che CoRCi affronta il difetto fondamentale dei metodi CDSR esistenti, in cui l'aggregazione della perdita per dominio e gli encoder separati interrompono la naturale coerenza degli interessi dell'utente attraverso i domini. Ricostruendo le rappresentazioni a dominio misto dalle codifiche specifiche del dominio e utilizzando una perdita agnostica rispetto al dominio con penalità focali, CoRCi cattura e preserva efficacementamente gli interessi invarianti rispetto al dominio. Gli autori sostengono che questo approccio porti a un profilo utente più accurato e a migliori prestazioni di raccomandazione, particolarmente in scenari in cui gli interessi dell'utente evolvono coerentemente attraverso diverse categorie di prodotti. Il lavoro suggerisce che preservare la "coerenza" degli interessi sia più critico del semplice aggregare i dati, offrendo una nuova direzione per la modellazione delle preferenze dinamiche degli utenti in contesti cross-domain.

Articoli simili