Fugu-MT 論文翻訳(概要): TBGRecall: A Generative Retrieval Model for E-commerce Recommendation Scenarios

論文の概要: TBGRecall: A Generative Retrieval Model for E-commerce Recommendation Scenarios

arxiv url: http://arxiv.org/abs/2508.11977v1
Date: Sat, 16 Aug 2025 08:31:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-19 14:49:10.493914
Title: TBGRecall: A Generative Retrieval Model for E-commerce Recommendation Scenarios
Title（参考訳）: TBGRecall:Eコマースレコメンデーションシナリオのためのジェネレーティブ検索モデル
Authors: Zida Liang, Changfa Wu, Dunxian Huang, Weiqiang Sun, Ziyang Wang, Yuliang Yan, Jian Wu, Yuning Jiang, Bo Zheng, Ke Chen, Silu Zhou, Yu Zhang,
Abstract要約: 本稿では,eコマースアプリケーションのための生成検索モデルを強化するフレームワークTBGRecallを提案する。トレーニングの方法論では、パイプラインは制限された履歴データの事前トレーニングと部分的なインクリメンタルトレーニングを統合します。 TaoBaoの大規模産業データセットとともに公開ベンチマークを行い,TBGRecallが最先端のレコメンデーション手法より優れていることを示す。
参考スコア（独自算出の注目度）: 31.114619840038095
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recommendation systems are essential tools in modern e-commerce, facilitating personalized user experiences by suggesting relevant products. Recent advancements in generative models have demonstrated potential in enhancing recommendation systems; however, these models often exhibit limitations in optimizing retrieval tasks, primarily due to their reliance on autoregressive generation mechanisms. Conventional approaches introduce sequential dependencies that impede efficient retrieval, as they are inherently unsuitable for generating multiple items without positional constraints within a single request session. To address these limitations, we propose TBGRecall, a framework integrating Next Session Prediction (NSP), designed to enhance generative retrieval models for e-commerce applications. Our framework reformulation involves partitioning input samples into multi-session sequences, where each sequence comprises a session token followed by a set of item tokens, and then further incorporate multiple optimizations tailored to the generative task in retrieval scenarios. In terms of training methodology, our pipeline integrates limited historical data pre-training with stochastic partial incremental training, significantly improving training efficiency and emphasizing the superiority of data recency over sheer data volume. Our extensive experiments, conducted on public benchmarks alongside a large-scale industrial dataset from TaoBao, show TBGRecall outperforms the state-of-the-art recommendation methods, and exhibits a clear scaling law trend. Ultimately, NSP represents a significant advancement in the effectiveness of generative recommendation systems for e-commerce applications.
Abstract（参考訳）: 推薦システムは現代のeコマースにおいて不可欠なツールであり、関連する製品を提案することでパーソナライズされたユーザーエクスペリエンスを促進する。生成モデルの最近の進歩は、レコメンデーションシステムを強化する可能性を示しているが、これらのモデルは、主に自己回帰生成機構に依存しているため、検索タスクを最適化する際の制限をしばしば示している。従来のアプローチでは、単一のリクエストセッション内で位置制約なしで複数のアイテムを生成するのに本質的に適さないため、効率的な検索を妨げるシーケンシャルな依存関係を導入しています。これらの制約に対処するため,電子商取引アプリケーションのための生成検索モデルを強化するために,Next Session Prediction (NSP)を統合したTBGRecallを提案する。提案手法では,入力サンプルを複数セッションシーケンスに分割し,各シーケンスにはセッショントークンとアイテムトークンのセットが続き,さらに検索シナリオにおいて生成タスクに適した複数の最適化が組み込まれている。トレーニング手法として,本パイプラインでは,履歴データの事前学習と確率的部分的インクリメンタルトレーニングを統合し,トレーニング効率を著しく向上し,重大データ量よりもデータリレーシの優越性を強調する。 TaoBaoの大規模産業データセットとともに公開ベンチマークで行った大規模な実験では、TBGRecallは最先端のレコメンデーション手法よりも優れており、明らかにスケーリング法の動向を示している。最終的に、NSPは、eコマースアプリケーションのための生成レコメンデーションシステムの有効性において、大きな進歩を示している。

関連論文リスト

LARES: Latent Reasoning for Sequential Recommendation [96.26996622771593]
本稿では、シークエンシャルレコメンデーションのための新しいスケーラブルなLatent ReasoningフレームワークであるLARESを紹介する。提案手法では,パラメータの複雑性を増大させることなく推理深度を柔軟に拡張できる再帰的アーキテクチャを用いている。我々のフレームワークは既存の高度なモデルとのシームレスな互換性を示し、推奨性能をさらに向上させる。
論文参考訳（メタデータ） (2025-05-22T16:22:54Z)
Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model [71.45491434257106]
Unified Generative Recommendation Framework (UniGRF)は、検索とランキングを単一の生成モデルに統合する新しいアプローチである。ステージ間コラボレーションを強化するため、UniGRFはランキング駆動エンハンサーモジュールを導入した。 UniGRFは、ベンチマークデータセット上で既存のモデルよりも大幅に優れています。
論文参考訳（メタデータ） (2025-04-23T06:43:54Z)
Exploring Training and Inference Scaling Laws in Generative Retrieval [50.82554729023865]
生成検索は、検索を自己回帰生成タスクとして再構成し、大きな言語モデルがクエリから直接ターゲット文書を生成する。生成的検索におけるトレーニングと推論のスケーリング法則を体系的に検討し,モデルのサイズ,トレーニングデータスケール,推論時間計算が協調的に性能に与える影響について検討した。
論文参考訳（メタデータ） (2025-03-24T17:59:03Z)
SessionRec: Next Session Prediction Paradigm For Generative Sequential Recommendation [20.51953517144625]
生成的逐次レコメンデーションのための新しい次世代予測パラダイムであるSessionRecを紹介する。実際のセッションベースのユーザインタラクションに矛盾するNIPPの項目レベルの自己回帰生成とは異なり、我々のフレームワークはセッション認識表現学習を導入している。その結果、次のセッション予測パラダイムの下で、セッション内の項目のランクロスを組み込むことで、生成シーケンス推薦モデルのランキングの有効性を著しく向上できることがわかった。
論文参考訳（メタデータ） (2025-02-14T13:36:20Z)
Pre-train, Align, and Disentangle: Empowering Sequential Recommendation with Large Language Models [26.331324261505486]
Sequential Recommendation (SR) は、ユーザの過去のインタラクションにおけるシーケンシャルなパターンを活用して、ユーザの好みを正確に追跡することを目的としている。大規模言語モデル(LLM)の有効性が証明されているにもかかわらず、商用レコメンデータシステムへの統合は妨げられている。我々は,LLMを用いたSRモデルを強化するために,新しいPri-train,Align,Disentangle(PAD)フレームワークを導入する。
論文参考訳（メタデータ） (2024-12-05T12:17:56Z)
Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
論文参考訳（メタデータ） (2024-08-21T06:48:38Z)
Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
論文参考訳（メタデータ） (2024-05-31T14:21:04Z)
Non-autoregressive Generative Models for Reranking Recommendation [9.854541524740549]
推薦システムでは、項目間のリスト内相関をモデル化することで、リランクが重要な役割を果たす。本研究では, 効率と効率性を高めるために, 提案するレコメンデーション(NAR4Rec)の再評価のための非自己回帰生成モデルを提案する。 NAR4Recは、毎日3億人のアクティブユーザーがいる人気ビデオアプリKuaishouに完全にデプロイされている。
論文参考訳（メタデータ） (2024-02-10T03:21:13Z)

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。