Este artículo aborda el problema de la recomendación multiobjetivo entre dominios (MTCDR), cuyo objetivo es mejorar simultáneamente el rendimiento de las recomendaciones en múltiples dominios. Los métodos MTCDR existentes se basan principalmente en entidades compartidas por dominio (p. ej., usuarios o ítems) para fusionar y transferir conocimiento entre dominios, pero son ineficaces en escenarios de recomendación no superpuestos. Algunos estudios abordan la MTCDR modelando las preferencias del usuario y las características de los ítems como representaciones semánticas compartidas por dominios, pero esto requiere una gran cantidad de datos auxiliares para el preentrenamiento. Inspirado por los avances recientes en la recomendación generativa, este artículo presenta GMC, un enfoque MTCDR basado en un paradigma generativo. GMC integra conocimiento multidominio dentro de un modelo generativo unificado utilizando identificadores de ítems discretos cuantificados semánticamente. Se utiliza un tokenizador de ítems para generar identificadores semánticos compartidos por dominio para cada ítem, y se entrena un modelo secuencia a secuencia integrado en el dominio para formular la recomendación de ítems como una tarea de generación de tokens. Para mejorar el rendimiento, se incorpora la pérdida contrastiva con reconocimiento de dominio al aprendizaje de identificadores semánticos y se realiza un ajuste preciso del sistema de recomendación unificado específico para cada dominio. Experimentos exhaustivos con cinco conjuntos de datos públicos demuestran la eficacia de GMC en comparación con varios métodos de referencia.
