यह शोधपत्र बहु-उद्देश्यीय क्रॉस-डोमेन अनुशंसा (MTCDR) की समस्या का समाधान करता है, जिसका उद्देश्य एक साथ कई डोमेन में अनुशंसा प्रदर्शन में सुधार करना है। मौजूदा MTCDR विधियाँ मुख्यतः डोमेन-साझा संस्थाओं (जैसे, उपयोगकर्ता या आइटम) पर क्रॉस-डोमेन ज्ञान को एकीकृत और स्थानांतरित करने के लिए निर्भर करती हैं, लेकिन वे गैर-अतिव्यापी अनुशंसा परिदृश्यों में अप्रभावी हैं। कुछ अध्ययन उपयोगकर्ता वरीयताओं और आइटम विशेषताओं को डोमेन-साझा अर्थपूर्ण निरूपण के रूप में मॉडलिंग करके MTCDR का समाधान करते हैं, लेकिन इसके लिए पूर्व-प्रशिक्षण हेतु व्यापक सहायक डेटा की आवश्यकता होती है। जनरेटिव अनुशंसा में हालिया प्रगति से प्रेरित होकर, यह शोधपत्र GMC, एक जनरेटिव प्रतिमान-आधारित MTCDR दृष्टिकोण प्रस्तुत करता है। GMC, अर्थपूर्ण रूप से परिमाणित असतत आइटम पहचानकर्ताओं का उपयोग करके एक एकीकृत जनरेटिव मॉडल में बहु-डोमेन ज्ञान को एकीकृत करता है। प्रत्येक आइटम के लिए डोमेन-साझा अर्थपूर्ण पहचानकर्ता उत्पन्न करने के लिए एक आइटम टोकनाइज़र का उपयोग किया जाता है, और एक डोमेन-एकीकृत अनुक्रम-से-अनुक्रम मॉडल को टोकन जनरेशन कार्य के रूप में आइटम अनुशंसा तैयार करने के लिए प्रशिक्षित किया जाता है। प्रदर्शन में सुधार के लिए, डोमेन-अवेयर कॉन्ट्रास्टिव लॉस को सिमेंटिक आइडेंटिफ़ायर लर्निंग में शामिल किया जाता है, और एकीकृत अनुशंसा प्रणाली की डोमेन-विशिष्ट फ़ाइन-ट्यूनिंग की जाती है। पाँच सार्वजनिक डेटासेट पर किए गए व्यापक प्रयोगों ने कई आधारभूत विधियों की तुलना में GMC की प्रभावशीलता को प्रदर्शित किया है।
