論文の概要: Unified Generative Search and Recommendation

• arxiv url: http://arxiv.org/abs/2504.05730v2
• Date: Thu, 10 Apr 2025 06:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:24:09.142737
• Title: Unified Generative Search and Recommendation
• Title（参考訳）: 統一生成探索と勧告
• Authors: Teng Shi, Jun Xu, Xiao Zhang, Xiaoxue Zang, Kai Zheng, Yang Song, Enyun Yu,
• Abstract要約: 我々は、バランスの取れた検索とレコメンデーションのための統一的な生成フレームワークGenSARを紹介する。 提案手法は,2目的識別子を設計し,補完的な信号を組み込んでタスク固有の目的と整合する訓練戦略を設計する。 パブリックデータセットと商用データセットの両方の実験では、GenSARがトレードオフを効果的に削減し、両方のタスクで最先端のパフォーマンスを達成することが示されている。
• 参考スコア（独自算出の注目度）: 14.317849340141919
• License:
• Abstract: Modern commercial platforms typically offer both search and recommendation functionalities to serve diverse user needs, making joint modeling of these tasks an appealing direction. While prior work has shown that integrating search and recommendation can be mutually beneficial, it also reveals a performance trade-off: enhancements in one task often come at the expense of the other. This challenge arises from their distinct information requirements: search emphasizes semantic relevance between queries and items, whereas recommendation depends more on collaborative signals among users and items. Effectively addressing this trade-off requires tackling two key problems: (1) integrating both semantic and collaborative signals into item representations, and (2) guiding the model to distinguish and adapt to the unique demands of search and recommendation. The emergence of generative retrieval with Large Language Models (LLMs) presents new possibilities. This paradigm encodes items as identifiers and frames both search and recommendation as sequential generation tasks, offering the flexibility to leverage multiple identifiers and task-specific prompts. In light of this, we introduce GenSAR, a unified generative framework for balanced search and recommendation. Our approach designs dual-purpose identifiers and tailored training strategies to incorporate complementary signals and align with task-specific objectives. Experiments on both public and commercial datasets demonstrate that GenSAR effectively reduces the trade-off and achieves state-of-the-art performance on both tasks.
• Abstract（参考訳）: 現代の商用プラットフォームは、様々なユーザのニーズを満たすために、検索機能とレコメンデーション機能の両方を提供しており、これらのタスクを共同でモデリングすることが魅力的な方向となっている。 以前の研究は、検索とレコメンデーションの統合は相互に有益であることを示しているが、パフォーマンス上のトレードオフも明らかにしている。 検索はクエリとアイテム間のセマンティックな関連性を強調するが、レコメンデーションはユーザとアイテム間の協調的なシグナルに依存する。 このトレードオフに効果的に対処するには、(1)意味的信号と協調的信号の両方をアイテム表現に統合すること、(2)検索とレコメンデーションのユニークな要求を識別し適応するためにモデルを導くこと、の2つの重要な問題に取り組む必要がある。 LLM(Large Language Models)による生成的検索の出現は,新たな可能性を示す。 このパラダイムは、アイテムを識別子としてエンコードし、検索とレコメンデーションの両方をシーケンシャルな生成タスクとして扱い、複数の識別子とタスク固有のプロンプトを活用する柔軟性を提供する。 そこで本稿では,協調検索とレコメンデーションのための統合生成フレームワークであるGenSARを紹介する。 提案手法は,2目的識別子を設計し,補完的な信号を組み込んでタスク固有の目的と整合する訓練戦略を設計する。 パブリックデータセットと商用データセットの両方の実験では、GenSARがトレードオフを効果的に削減し、両方のタスクで最先端のパフォーマンスを達成することが示されている。

関連論文リスト

• Bridging Search and Recommendation in Generative Retrieval: Does One Task Help the Other? [9.215695600542249]
  検索とレコメンデーションのための生成的検索は、アイテムを検索する上で有望なパラダイムである。 これらの生成システムは、様々な情報検索タスクを単一のモデルにまとめる上で重要な役割を果たす。 本稿では,このような統合されたアプローチが,IRタスクの検索・推薦においてタスク固有モデルより優れているかどうかを考察する。
  論文  参考訳（メタデータ） (2024-10-22T08:49:43Z)
• Generative Retrieval Meets Multi-Graded Relevance [104.75244721442756]
  GRADed Generative Retrieval (GR$2$)というフレームワークを紹介します。 GR$2$は2つの重要なコンポーネントに焦点を当てている。 マルチグレードとバイナリの関連性を持つデータセットの実験は,GR$2$の有効性を示した。
  論文  参考訳（メタデータ） (2024-09-27T02:55:53Z)
• ACE: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  我々は、エンドツーエンドのクロスモーダル検索のための先駆的なジェネリッククロスモーダル rEtrieval framework (ACE) を提案する。 ACEは、クロスモーダル検索における最先端のパフォーマンスを達成し、Recall@1の強いベースラインを平均15.27%上回る。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• EAGER: Two-Stream Generative Recommender with Behavior-Semantic Collaboration [63.112790050749695]
  本稿では,行動情報と意味情報の両方をシームレスに統合する新しい生成推薦フレームワークであるEAGERを紹介する。 EAGERの有効性を4つの公開ベンチマークで検証し,既存手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-20T06:21:56Z)
• A Survey of Generative Search and Recommendation in the Era of Large Language Models [125.26354486027408]
  ジェネレーティブ検索(検索)とレコメンデーションは、マッチング問題をジェネレーティブな方法で解決することを目的としている。 超知能生成型大規模言語モデルが検索と推薦の新しいパラダイムを生み出した。
  論文  参考訳（メタデータ） (2024-04-25T17:58:17Z)
• Learning to Retrieve for Job Matching [22.007634436648427]
  本稿では、LinkedInの求人・推薦システムを強化するための学習検索技術の適用について論じる。 確認された雇用データを利用して求職者の求職資格を評価するグラフを構築し、学習したリンクを検索に活用する。 従来の逆インデックスに基づく解に加えて、KNNと項マッチングの両方を効率的にサポートできるon-GPUソリューションを開発した。
  論文  参考訳（メタデータ） (2024-02-21T00:05:25Z)
• PSDiff: Diffusion Model for Person Search with Iterative and Collaborative Refinement [59.6260680005195]
  本稿では,拡散モデルであるPSDiffに基づく新しいPerson Searchフレームワークを提案する。 PSDiffは、ノイズの多いボックスとReID埋め込みから地上の真実へのデュアルデノケーションプロセスとして検索する人を定式化する。 新しいパラダイムに従って、我々は、反復的かつ協調的な方法で検出とReIDサブタスクを最適化する新しいコラボレーティブ・デノナイジング・レイヤ(CDL)を設計する。
  論文  参考訳（メタデータ） (2023-09-20T08:16:39Z)
• Compositional Attention: Disentangling Search and Retrieval [66.7108739597771]
  Multi-head, key-value attention は Transformer モデルとそのバリエーションのバックボーンである。 標準的なアテンションヘッドは、検索と検索の間の厳密なマッピングを学ぶ。 本稿では,標準ヘッド構造を置き換える新しいアテンション機構であるコンポジションアテンションアテンションを提案する。
  論文  参考訳（メタデータ） (2021-10-18T15:47:38Z)
• USER: A Unified Information Search and Recommendation Model based on Integrated Behavior Sequence [36.91974576050925]
  これら2つのタスクを共同でモデリングすることで,両者のメリットが得られ,最終的にはユーザ満足度が向上する,と私たちは主張する。 本稿では,まず,ユーザの振る舞いを検索とレコメンデーションに組み込んだ異種行動シーケンスを提案し,その上で,両タスクの処理にジョイントモデルを利用する。
  論文  参考訳（メタデータ） (2021-09-30T11:06:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。