論文の概要: Closing the Performance Gap in Generative Recommenders with Collaborative Tokenization and Efficient Modeling

• arxiv url: http://arxiv.org/abs/2508.14910v1
• Date: Tue, 12 Aug 2025 17:06:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.002228
• Title: Closing the Performance Gap in Generative Recommenders with Collaborative Tokenization and Efficient Modeling
• Title（参考訳）: 協調トークン化と効率的なモデリングによるジェネレーティブレコメンダのパフォーマンス向上
• Authors: Simon Lepage, Jeremie Mary, David Picard,
• Abstract要約: 本稿では,協調情報を学習項目表現に直接統合するコントラストトークン化手法を提案する。 また、アイテムデコーディングからタイムラインモデリングを分離する軽量な音声インスパイアされた生成モデルであるMARIUSを提案する。
• 参考スコア（独自算出の注目度）: 10.757287948514604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has explored generative recommender systems as an alternative to traditional ID-based models, reframing item recommendation as a sequence generation task over discrete item tokens. While promising, such methods often underperform in practice compared to well-tuned ID-based baselines like SASRec. In this paper, we identify two key limitations holding back generative approaches: the lack of collaborative signal in item tokenization, and inefficiencies in the commonly used encoder-decoder architecture. To address these issues, we introduce COSETTE, a contrastive tokenization method that integrates collaborative information directly into the learned item representations, jointly optimizing for both content reconstruction and recommendation relevance. Additionally, we propose MARIUS, a lightweight, audio-inspired generative model that decouples timeline modeling from item decoding. MARIUS reduces inference cost while improving recommendation accuracy. Experiments on standard sequential recommendation benchmarks show that our approach narrows, or even eliminates, the performance gap between generative and modern ID-based models, while retaining the benefits of the generative paradigm.
• Abstract（参考訳）: 近年では、従来のIDベースのモデルに代わる生成レコメンデーションシステムとして、個別のアイテムトークンに対するシーケンス生成タスクとしてアイテムレコメンデーションが検討されている。 有望な一方で、SASRecのようなよく調整されたIDベースのベースラインに比べて、実際にはパフォーマンスが劣ることが多い。 本稿では、アイテムトークン化における協調信号の欠如と、一般的に使用されるエンコーダ・デコーダアーキテクチャにおける非効率性という、生成的アプローチを裏付ける2つの重要な制限を同定する。 これらの問題に対処するため,COSETTEは,協調情報を学習項目表現に直接統合し,コンテンツ再構成とレコメンデーション関連性の両方を共同で最適化するコントラストトークン化手法である。 さらに、アイテムデコーディングからタイムラインモデリングを分離する軽量な音声インスパイアされた生成モデルであるMARIUSを提案する。 MARIUSは推論コストを削減し、レコメンデーション精度を向上させる。 標準シーケンシャル・レコメンデーション・ベンチマークの実験では、我々のアプローチは生成的パラダイムの利点を維持しつつ、生成的モデルと近代的なIDベースのモデルのパフォーマンスギャップを狭めるか、あるいは排除することを示している。

関連論文リスト

• DiscRec: Disentangled Semantic-Collaborative Modeling for Generative Recommendation [33.152693125551785]
  生成的レコメンデーションは、アイテム予測を直接生成する強力なパラダイムとして現れています。 現在の手法ではトークン・イテムのミスアライメントとセマンティック・コラボレーティブな信号の絡み合いという2つの重要な課題に直面している。 Disentangled Semantic-Collaborative Signal Modelingを可能にする新しいフレームワークであるDisdisRecを提案する。
  論文  参考訳（メタデータ） (2025-06-18T15:53:47Z)
• Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations [22.48125906976824]
  カスケード型組織的ビ表現型ジェネリック検索フレームワークを導入し,カスケード処理を通じてスパース意味IDと高密度ベクトルを統合する。 本手法は,これらの表現をまずスパースIDを生成して交互に生成し,高密度ベクトルの生成を支援する条件として機能する。 推論の間、COBRAは粗大な戦略を採用し、スパースID生成から始まり、生成モデルを介してそれらを密度の高いベクトルに精製する。
  論文  参考訳（メタデータ） (2025-03-04T10:00:05Z)
• Enhancing Item Tokenization for Generative Recommendation through Self-Improvement [67.94240423434944]
  生成レコメンデーションシステムは大規模言語モデル(LLM)によって駆動される 現在のアイテムトークン化手法には、テキスト記述、数値文字列、離散トークンのシーケンスの使用が含まれる。 自己改善アイテムトークン化手法を提案し,LLMがトレーニングプロセス中に独自のアイテムトークン化を洗練できるようにする。
  論文  参考訳（メタデータ） (2024-12-22T21:56:15Z)
• Unifying Generative and Dense Retrieval for Sequential Recommendation [37.402860622707244]
  逐次密度検索と生成検索の強みを組み合わせたハイブリッドモデルであるLIGERを提案する。 LIGERは、シーケンシャルな高密度検索を生成検索に統合し、性能差を緩和し、コールドスタートアイテムレコメンデーションを強化する。 このハイブリッドアプローチは、これらのアプローチ間のトレードオフに関する洞察を与え、小規模ベンチマークにおけるレコメンデーションシステムの効率と効率性の向上を示す。
  論文  参考訳（メタデータ） (2024-11-27T23:36:59Z)
• Generative Recommender with End-to-End Learnable Item Tokenization [51.82768744368208]
  ETEGRecは、アイテムのトークン化と生成レコメンデーションを結合的なフレームワークに統合する、新しいエンドツーエンド生成レコメンダである。 ETEGRecは、アイテムトークンライザと、デュアルエンコーダ-デコーダアーキテクチャ上に構築された生成レコメンデータで構成されている。 我々は、フレームワーク全体の安定的で効率的なエンドツーエンドトレーニングを保証するために、交互に最適化する手法を開発した。
  論文  参考訳（メタデータ） (2024-09-09T12:11:53Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。