Cet article aborde le problème de la recommandation multi-objectif inter-domaines (MTCDR), qui vise à améliorer simultanément les performances de recommandation dans plusieurs domaines. Les méthodes MTCDR existantes s'appuient principalement sur des entités partagées par domaine (par exemple, des utilisateurs ou des éléments) pour fusionner et transférer des connaissances inter-domaines, mais elles sont inefficaces dans les scénarios de recommandation sans chevauchement. Certaines études abordent la MTCDR en modélisant les préférences des utilisateurs et les caractéristiques des éléments sous forme de représentations sémantiques partagées par domaine, mais cela nécessite de nombreuses données auxiliaires pour le pré-apprentissage. Inspiré par les avancées récentes en matière de recommandation générative, cet article présente GMC, une approche MTCDR basée sur un paradigme génératif. GMC intègre les connaissances multi-domaines au sein d'un modèle génératif unifié utilisant des identifiants d'éléments discrets quantifiés sémantiquement. Un tokeniseur d'éléments est utilisé pour générer des identifiants sémantiques partagés par domaine pour chaque élément, et un modèle séquence à séquence intégré au domaine est entraîné pour formuler la recommandation d'éléments sous forme de tâche de génération de jetons. Pour améliorer les performances, la perte de contraste sensible au domaine est intégrée à l'apprentissage des identifiants sémantiques, et un réglage fin spécifique au domaine du système de recommandation unifié est effectué. Des expériences approfondies sur cinq ensembles de données publics démontrent l'efficacité du GMC par rapport à plusieurs méthodes de référence.
