La recommandation séquentielle cross-domain cherche à comprendre comment les intérêts d’un utilisateur évoluent d’un univers à l’autre — par exemple entre plusieurs catégories de contenus ou de produits. Dans ce contexte, les approches de recommandation générative gagnent du terrain : elles apprennent des identifiants sémantiques d’items, puis formulent la recommandation comme une génération auto-régressive. Mais, d’après les auteurs, les méthodes existantes négligent encore une partie des corrélations collaboratives entre domaines et reposent souvent sur des stratégies de décodage coûteuses, peu adaptées au temps réel.
Le papier propose GenCDSR, un nouveau cadre visant à répondre à ces deux limites. Sa première brique est un mécanisme de tokenisation hybride cross-domain. Celui-ci s’appuie sur une architecture multi-tours et sur des codebooks hiérarchiques pour capter à la fois les similarités communes entre domaines et leurs spécificités fines. L’objectif est de mieux représenter les items et les transitions d’intérêt des utilisateurs dans des environnements hétérogènes.
La seconde contribution porte sur le décodage serial-parallel cross-domain. En exploitant la structure hiérarchique des identifiants sémantiques, GenCDSR parallélise partiellement la génération, là où des approches comme le beam search peuvent devenir trop lentes. Les auteurs avancent que cette stratégie permet de réduire fortement la latence d’inférence tout en conservant la cohérence de la génération.
Sur trois jeux de données publics, l’étude rapporte un gain moyen de précision de 1,5 % et une réduction moyenne de latence de 85,1 % face à des baselines de pointe. Ces résultats restent à apprécier à la lumière des conditions expérimentales détaillées dans le papier, mais ils suggèrent un compromis intéressant entre qualité de recommandation et efficacité opérationnelle. Le code et les jeux de données sont annoncés comme disponibles en ligne, ce qui devrait faciliter la reproductibilité.