論文の概要: SynerGen: Contextualized Generative Recommender for Unified Search and Recommendation

• arxiv url: http://arxiv.org/abs/2509.21777v1
• Date: Fri, 26 Sep 2025 02:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.12756
• Title: SynerGen: Contextualized Generative Recommender for Unified Search and Recommendation
• Title（参考訳）: SynerGen: 統一検索とレコメンデーションのためのコンテキスト化された生成レコメンデーションレコメンデーション
• Authors: Vianne R. Gao, Chen Xue, Marc Versage, Xie Zhou, Zhongruo Wang, Chao Li, Yeon Seonwoo, Nan Chen, Zhen Ge, Gourab Kundu, Weiqi Zhang, Tian Wang, Qingjun Cui, Trishul Chilimbi,
• Abstract要約: 生成シーケンスモデルは、自動回帰的にランク付けされたアイテムを自動生成することで、検索とランキングの統一を約束している。 textitSynerGenは、パーソナライズされた検索とレコメンデーションの両方のための単一の生成バックボーンを提供することで、この重要なギャップを埋める新しい生成レコメンデーションモデルである。
• 参考スコア（独自算出の注目度）: 21.270980014269387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The dominant retrieve-then-rank pipeline in large-scale recommender systems suffers from mis-calibration and engineering overhead due to its architectural split and differing optimization objectives. While recent generative sequence models have shown promise in unifying retrieval and ranking by auto-regressively generating ranked items, existing solutions typically address either personalized search or query-free recommendation, often exhibiting performance trade-offs when attempting to unify both. We introduce \textit{SynerGen}, a novel generative recommender model that bridges this critical gap by providing a single generative backbone for both personalized search and recommendation, while simultaneously excelling at retrieval and ranking tasks. Trained on behavioral sequences, our decoder-only Transformer leverages joint optimization with InfoNCE for retrieval and a hybrid pointwise-pairwise loss for ranking, allowing semantic signals from search to improve recommendation and vice versa. We also propose a novel time-aware rotary positional embedding to effectively incorporate time information into the attention mechanism. \textit{SynerGen} achieves significant improvements on widely adopted recommendation and search benchmarks compared to strong generative recommender and joint search and recommendation baselines. This work demonstrates the viability of a single generative foundation model for industrial-scale unified information access.
• Abstract（参考訳）: 大規模レコメンデータシステムでは、アーキテクチャの分割と最適化の目的の相違により、リトリート・ランクのパイプラインは誤校正とエンジニアリングのオーバーヘッドに悩まされる。 最近の生成シーケンスモデルは、自動回帰的にランク付けされたアイテムを自動生成することで、検索とランキングの統一を約束する一方で、既存のソリューションは、パーソナライズされた検索またはクエリフリーのレコメンデーションに対処する。 検索とレコメンデーションの両方をパーソナライズする単一の生成バックボーンを提供することで,この重要なギャップを埋める新たな生成レコメンデーションモデルである‘textit{SynerGen} を導入する。 デコーダのみのトランスフォーマーは,動作シーケンスに基づいて,検索のためのInfoNCEとの結合最適化とランキングのためのハイブリッドポイントワイド損失を活用し,検索からのセマンティック信号による推薦とその逆の最適化を実現する。 また,注目機構に時間情報を効果的に組み込むために,時間を考慮した回転位置埋め込みを提案する。 \textit{SynerGen}は、強力なジェネレーティブレコメンデーションと共同検索とレコメンデーションベースラインと比較して、広く採用されているレコメンデーションとサーチベンチマークの大幅な改善を実現している。 本研究は,産業規模統合情報アクセスのための単一生成基盤モデルの実現可能性を示す。

関連論文リスト

• UniSearch: Rethinking Search System with a Unified Generative Architecture [20.448690421956023]
  UniSearchはKuaishou Searchのための統合された生成検索フレームワークである。 UniSearchは、カスケードパイプラインを、検索ジェネレータとビデオジェネレータを統合するエンドツーエンドアーキテクチャに置き換える。 産業規模のデータセットに関する大規模な実験と、短いビデオとライブ検索のシナリオにおけるオンラインA/Bテストは、UniSearchの強力な有効性とデプロイメントの可能性を示している。
  論文  参考訳（メタデータ） (2025-09-08T17:08:26Z)
• Closing the Performance Gap in Generative Recommenders with Collaborative Tokenization and Efficient Modeling [10.757287948514604]
  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。
  論文  参考訳（メタデータ） (2025-08-12T17:06:55Z)
• 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)
• Lightweight and Direct Document Relevance Optimization for Generative Information Retrieval [49.669503570350166]
  生成情報検索(GenIR)は、文書識別子(ドシデント)生成タスクとして文書検索を定式化する有望なニューラル検索パラダイムである。 既存のGenIRモデルはトークンレベルのミスアライメントに悩まされており、次のトークンを予測するためにトレーニングされたモデルは、ドキュメントレベルの関連性を効果的にキャプチャできないことが多い。 本稿では,トークンレベルのドシデント生成と文書レベルのドシデンス推定をペアのランク付けによる直接最適化により整合するダイレクトドキュメントレバレンス最適化(DDRO)を提案する。
  論文  参考訳（メタデータ） (2025-04-07T15:27:37Z)
• 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)
• 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)
• Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data [33.17802459749589]
  我々は,コールドスタートとデータ空間の問題を軽減するために,新しい深層学習に基づく統合型クロスネットワークソリューションを提案する。 提案手法は精度,ノベルティ,多様性の点で優れていることを示す。 人気の高いMovieLensデータセットを用いて行った実験から,提案手法が既存の最先端ランキング技術より優れていることが示唆された。
  論文  参考訳（メタデータ） (2020-08-25T08:08:03Z)

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。