---
title: 【人工知能・深層学習】論文紹介：Heterogeneous Graph Transfer Learning for Cross-Domain Sequential Recommendation
tags: 
author: [Taki lab.](https://www.docswell.com/user/8328889256)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/4JMYXL42JW.jpg?width=480
description: 【人工知能・深層学習】論文紹介：Heterogeneous Graph Transfer Learning for Cross-Domain Sequential Recommendation by Taki lab.
published: June 01, 26
canonical: https://www.docswell.com/s/8328889256/ZPRW7E-2026-06-01-085609
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/4JMYXL42JW.jpg)

Journal Club
Heterogeneous Graph Transfer Learning for
Cross-Domain Sequential Recommendation
Zitao Xu, Xiaoqing Chen, Weike Pan, Zhong Ming
2026/5/30
瀧研究室 李 其融


# Page. 2

![Page Image](https://bcdn.docswell.com/page/PJR9NKW579.jpg)

推薦システムに伴う課題——①コールドスタート
システムを導入した直後や、新規ユーザー・新規商品が
追加された際、過去の行動履歴データが一切ない状態
↓
「データが全くない」問題
トントゥ：フィンランド
の妖精をモチーフにした、
サウナに稀にみる置き物。
温泉に行く人はサウ
ナに入る傾向があ
る！ 宿泊予約サイ
トから温泉旅館の愛
用者を抽出して、ト
ントゥを売るビジネ
スを始めるぞ！
誰もトントゥ
を知らなすぎ
て薦め方がわ
からん……
●
＋
●
－
1


# Page. 3

![Page Image](https://bcdn.docswell.com/page/PEXQNLPXJX.jpg)

推薦システムに伴う課題——②スパース性 ※希薄性
組み合わせに対して実際に発生した行動（購入や評価）
が非常に少なく、データ行列がスカスカ（疎）な状態
↓
「データがスカスカで偏っている」問題
リーグ内対戦、Dense Matrix
交流戦、Sparse Matrix
●
＋
●
－
●
＋
●
－
？
●
＋
●
＋
？
？
●
＋
●
＋
●
＋
●
－
？
●
－
？
？
●
＋
●
－
●
＋
●
＋
●
－
●
＋
？
？
？
●
＋
？
●
－
●
－
●
－
●
＋
●
＋
●
－
●
＋
？
？
●
＋
？
？
？
？
？
●
＋
●
＋
2


# Page. 4

![Page Image](https://bcdn.docswell.com/page/3EK9NLD9ED.jpg)

この論文のポイント
・クロスドメイン逐次推薦（CDSR）におけるデータスパース性と知識転移の課題を解決手法
“Heterogeneous Graph Transfer Learning ”を提案
既存手法：重複ユーザーに依存
提案手法：アイテムの「カテゴリ情報」をドメイン間のブリッジとして活用
→異種グラフ(Heterogeneous Graph)とメタパス（Meta Path）を用いた対照学習
（Contrastive Learning）により、重複ユーザーが全く存在しない環境でも高い推薦精度を維持
3


# Page. 5

![Page Image](https://bcdn.docswell.com/page/L73WV3R975.jpg)

この論文のポイント
・クロスドメイン逐次推薦（CDSR）におけるデータスパース性と知識転移の課題を解決手法
“Heterogeneous Graph Transfer Learning ”を提案
既存手法：重複ユーザーに依存
提案手法：アイテムの「カテゴリ情報」をドメイン間のブリッジとして活用
→異種グラフ(Heterogeneous Graph)とメタパス（Meta Path）を用いた対照学習
（Contrastive Learning）により、重複ユーザーが全く存在しない環境でも高い推薦精度を維持
貢献
・重複ユーザーに依存しない、異種グラフベースの知識転移フレームワークの構築
・粗粒度（カテゴリ）と細粒度（アイテム）の双方向から逐次試行を抽出するアテンション機構
・マルチドメインシナリオへの拡張性（HGTL-Multi）の実証
4


# Page. 6

![Page Image](https://bcdn.docswell.com/page/87DK84Y8JG.jpg)

従来のクロスドメイン逐次推薦（CDSR）の課題
・逐次推薦が「次に何を選ぶか」を扱う一方で、単
一ドメインではデータスパース性が厳しい→別ドメ
インの履歴を活用して自然な拡張を行うのがCDSR
・しかし、従来のCDSRは以下の課題を抱えている
①ドメイン間のアイテム遷移が十分に表現されない
②重複ユーザーが少ないと知識転移が難しい
③カテゴリ情報、とくにマルチカテゴリ構造をうま
く活用できていない
→本研究は、カテゴリを使った関連付け手法、
category-aware cross-domain sequential
recommendation (CCDSR)を使用
5


# Page. 7

![Page Image](https://bcdn.docswell.com/page/VJPK8M6WE8.jpg)

アイテムIDだけでは異なるドメインの嗜好を結び付けない
既存のCDSR：アイテムIDベースのみ
ドメインA：映画
コメディ
ID:item_a01
ドメインB：書籍
サスペン
ス
ID:item_b01
IDが異なるため
関連付け不可
サスペン
ス
ID:item_a02
スリリン
グ
ID:item_b02
ユーザーの「サスペンス嗜好」がドメイン間で
伝達されない
6


# Page. 8

![Page Image](https://bcdn.docswell.com/page/2EVVN939EQ.jpg)

アイテムIDだけでは異なるドメインの嗜好を結び付けない
既存のCDSR
ドメインA：映画
コメディ
ID:item_a01
本研究のCCDSR：カテゴリを介した関連付け
ドメインB：書籍
サスペン
ス
ID:item_b01
コメディ
映画
カテゴリ
サスペンス
IDが異なるため
関連付け不可
サスペン
ス
ID:item_a02
スリリン
グ
ID:item_b02
ユーザーの「サスペンス嗜好」がドメイン間で
伝達されない
サスペン
ス書籍
サスペン
ス映画
スリリン
グ書籍
“カテゴリ:サスペンス”でドメイン間嗜好が連結
→重複ユーザーがいなくても転移学習できる
7


# Page. 9

![Page Image](https://bcdn.docswell.com/page/57GLKZ34EL.jpg)

CCDSRモデル設定：カテゴリで異ドメイン間の橋渡し
Category-aware Cross-Domain Sequential Recommendation
入力データ：
ユーザー集合 𝒰 ， ユーザー u ∈ 𝒰
・ドメインAの履歴 SA = { A1, A2, …, AL }
・ドメインBの履歴 SB = { B1, B2, …, BL }
・ 各アイテム Ai はIDに加え
カテゴリ集合 { ci(1), …, ci(l) } を持つ
従来のCDSR：
アイテムIDの系列のみを入力
ID埋め込みでユーザーの嗜好を学習
予測タスク：
両ドメインの履歴 SA, SB を入力として、
同時に次のアイテムを予測：
ドメインA の次 vAi+1
ドメインB の次 vBi+1
本論文のCCDSR：
IDとカテゴリの集合を同時に入力
カテゴリ嗜好をドメイン横断で転移
8


# Page. 10

![Page Image](https://bcdn.docswell.com/page/4EQYNL5RJP.jpg)

HGTLの全体アーキテクチャ
HGTL の4つのモジュール
入力（ユーザー履歴＋カテゴリ）
↓
(a)異種グラフ構築
↓
(b)メタパス誘導型ノード表現学習
↓
(c)カテゴリ認識型逐次嗜好学習
↓
(d)転移ユニット
↓
出力（アイテム予測）
9


# Page. 11

![Page Image](https://bcdn.docswell.com/page/KJ4WGD9Q71.jpg)

紹介：異種グラフの定義
通常のグラフのノードは1種類のに対して、
異種グラフでは複数種類のノード（User, Item, Category）、
複数種類のエッジ(購入関係、所属関係)が混在する。
例：ノード＝ SNSのユーザー
エッジ＝ユーザー間のフォロー
例：ノード＝ ユーザー、商品、商品カテゴリ
エッジ＝ユーザーが商品を買う／レビューを書く、10
ある商品があるカテゴリに所属する


# Page. 12

![Page Image](https://bcdn.docswell.com/page/LE1YDZKL7G.jpg)

異種グラフの構築とエッジ拡張
・User(u) / Item(i) / Category(c) とい
う3種のノードと2種のエッジで構成
実線：観測される関係性
破線：未観測の関係性（BERT類似度・
遷移確率で関連を補強）
拡張手法：
①意味的類似度（BERT）
カテゴリ名をBERTでベクトル化
→ コサイン類似度で関連カテゴリを発見
②行動の遷移確率
履歴上で ci → cJが連続出現した頻度から推定
（閾値
=1の時に新規エッジをつなぐ）
11


# Page. 13

![Page Image](https://bcdn.docswell.com/page/GEWGY9DQJ2.jpg)

メタパスが表す潜在的意味、関係性
メタパス
意味する関係性
例
I-U-I
同じユーザーが利用したア
イテム同士は似ている
この人が買った他の商品
I-C-I
同じカテゴリに属するアイ
テム同士は似ている
同じジャンルの作品
U-I-C-I-U
同じカテゴリの作品を好む
ユーザー同士は趣味が似て
いる
ホラー好き同士
C-I-U-I-C
同じユーザーに好まれるカ
テゴリ同士は関連している
サスペンス好きはホラーも好む
12


# Page. 14

![Page Image](https://bcdn.docswell.com/page/47ZLX9G3J3.jpg)

メタパス誘導型ノード表現学習——異なる表現を獲得
2系統のメタパスを使用：
協調系メタパス I-U-I
同じユーザーに消費された2つのアイテム（協調フィルタリング的なユーザー類似性）
カテゴリ系メタパス I-C-I
同じカテゴリを共有する2つのアイテム（ドメイン横断可能な意味的類似性）
13


# Page. 15

![Page Image](https://bcdn.docswell.com/page/YJ6W4KYZJV.jpg)

メタパス誘導型ノード表現学習——対照学習で2系統を整合
協調系メタパスとカテゴリ系メタパスの表現を整合
・アテンション集約
メタパス ρ 上の隣接ノードを重み付きで集約
a:重み、ノード間の類似度を正規化したもの
14


# Page. 16

![Page Image](https://bcdn.docswell.com/page/GJ5MQPG9J4.jpg)

メタパス誘導型ノード表現学習——対照学習で2系統を整合
協調系メタパスとカテゴリ系メタパスの表現を整合
・同じアイテムiが異なるメタパスで得る2表現を正例ペアとして近づけ、他アイテムを遠ざける
→協調情報とカテゴリ情報を共通表現に統合できる
𝐷：両ノード表現間の類似度
15


# Page. 17

![Page Image](https://bcdn.docswell.com/page/9E29P6Y57R.jpg)

カテゴリ認識型逐次嗜好学習
アイテム系列とカテゴリ系列を2系統並列のSelf-Attentionで処理し、両者をItem-Category
Attentionで繋ぐことで、各アイテムの代表的なカテゴリ嗜好を文脈依存で抽出
→カテゴリ系列とアイテム系列が相互強化される
ユーザー履歴（ドメインA）
アイテム系列
Self-Attention
カテゴリ系列
ドメインA統
合表現
アイテム系列
ユーザー履歴（ドメインB）
Self-Attention
ドメインB統
合表現
カテゴリ系列
16


# Page. 18

![Page Image](https://bcdn.docswell.com/page/D7Y459G6EM.jpg)

転移ユニット
ドメインBで学んだ嗜好をそのまま A 側に渡しても整合しない
→多層パーセプトロンで変換してからAの予測に注入する
・映画と書籍の語彙・分布が異なるため、
そのままドメインBの表現を使うと干渉してしまう
・両ドメインの時点を整合する必要がある
転移の式：
t’=A時点tに最も近いB履歴の時点
（情報リーク防止の観点から、
A時点tよりも過去の履歴のみ使用 ）
→多層パーセプトロンを通して、
カテゴリ表現で共有された潜在空間がブリッジの役割を果たす
→ドメイン間に重複するユーザーがなくても転移学習できる
17


# Page. 19

![Page Image](https://bcdn.docswell.com/page/VENYNL81J8.jpg)

予測スコアと統合損失関数
・統合表現から次のアイテムを予測
４つの情報源を統合（ドメインA）
:アイテム系列嗜好
:カテゴリ系列嗜好
:Bから転移した嗜好
:ユーザー表現
上記の式に基づき、候補アイテムiへのスコアを算出
・３つの損失を同時に最適化
:A側の推薦損失
:B側の推薦損失
:対照学習損失
18


# Page. 20

![Page Image](https://bcdn.docswell.com/page/Y79PR4KYE3.jpg)

実験設定：Amazonの3ドメインで評価
・Amazonレビューデータセットから、Movie, CD, Bookの3つのドメインを抽出
・全ユーザーが3ドメインで重複するように前処理されている
【実装詳細とベイスライン】
・評価指標：leave-one-out法によるHR@10とNDCG＠10
※ NDCG：Normalized Discounted Cumulative Gain at 10。1に近いほど上位10件が正し
く関連性の高い順で並んでいることを示す指標。
・パラメータ：埋め込み次元 (d=50)、バッチサイズ128、Adam(lr=0.001)、
Max長(L=100)、近傍数（K=10）、Dropout0.5
・ベースライン（15種類）：単一ドメインSR、CDSR、属性認識SR。
19


# Page. 21

![Page Image](https://bcdn.docswell.com/page/G78DWQRK7D.jpg)

主な実験結果——推薦性能の比較
本論文のHGTLではすべての指標においてベイスラインを上回った。
特に最もスパース性のあるBookドメインにおいて、NDCG@10で21.05%の改善を達成
20


# Page. 22

![Page Image](https://bcdn.docswell.com/page/L7LMNXKPJR.jpg)

主な実験結果——重複ユーザー比率による精度の変化
既存のCDSR(MGCL)手法は、重複率が0％の状況では知識転移のブリッジがないため、単
一ドメイン手法(SASRec)以下の性能に低下する。一方、HGTLは重複率0％の場合でも、カ
テゴリ情報を介したグラフ転移により、高精度な推薦を維持した。
21


# Page. 23

![Page Image](https://bcdn.docswell.com/page/4EMYXL22EW.jpg)

Target Domainのユーザー系列の長さによる影響
SASRecはユーザー系列履歴が短い（[5,10]）コールドスタート状態では精度が低いが、
HGTLはユーザー系列履歴が短くても高い精度を示した。
22


# Page. 24

![Page Image](https://bcdn.docswell.com/page/PER9NKM5J9.jpg)

Source Domainの行動履歴系列の長さによる影響
Source Domain側での行動履歴が豊富（系列が長い）であるほど、より有用なユーザー嗜
好特徴がTarget Domainに転移され、ターゲット側の推薦精度が向上する傾向が見られた。
23


# Page. 25

![Page Image](https://bcdn.docswell.com/page/P7XQNLVXEX.jpg)

エッジ拡張閾値による影響
閾値 が0.25の場合、関連性の薄いノイズエッジが生成されて性能が低下。
閾値 が1.0（＝拡張なし）の場合、情報の伝播が不足になる。
本研究では、閾値 が0.5~0.75に設定する場合、モデルの柔軟性と性能を最大化できる。
24


# Page. 26

![Page Image](https://bcdn.docswell.com/page/37K9NLQ97D.jpg)

まとめ――本研究で得られる知見
・重複ユーザーが存在しない条件でも、アイテムの属性（カテゴリ）を
異種グラフで連結させることで、性能の良いクロスドメイン推薦が可能
・グラフで大域的な構造情報を捉え、シーケンスで局所的・時間的な順
序を捉えた上で、両者の情報を統合するアプローチは有効である
・エッジ拡張によるスパース性の改善が裏付けられた
25