論文の概要: A Survey on Generative Recommendation: Data, Model, and Tasks

• arxiv url: http://arxiv.org/abs/2510.27157v1
• Date: Fri, 31 Oct 2025 04:02:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.973067
• Title: A Survey on Generative Recommendation: Data, Model, and Tasks
• Title（参考訳）: 生成レコメンデーションに関する調査--データ,モデル,課題
• Authors: Min Hou, Le Wu, Yuxin Liao, Yonghui Yang, Zhen Zhang, Changlong Zheng, Han Wu, Richang Hong,
• Abstract要約: ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。 この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。 世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
• 参考スコア（独自算出の注目度）: 55.36322811257545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems serve as foundational infrastructure in modern information ecosystems, helping users navigate digital content and discover items aligned with their preferences. At their core, recommender systems address a fundamental problem: matching users with items. Over the past decades, the field has experienced successive paradigm shifts, from collaborative filtering and matrix factorization in the machine learning era to neural architectures in the deep learning era. Recently, the emergence of generative models, especially large language models (LLMs) and diffusion models, have sparked a new paradigm: generative recommendation, which reconceptualizes recommendation as a generation task rather than discriminative scoring. This survey provides a comprehensive examination through a unified tripartite framework spanning data, model, and task dimensions. Rather than simply categorizing works, we systematically decompose approaches into operational stages-data augmentation and unification, model alignment and training, task formulation and execution. At the data level, generative models enable knowledge-infused augmentation and agent-based simulation while unifying heterogeneous signals. At the model level, we taxonomize LLM-based methods, large recommendation models, and diffusion approaches, analyzing their alignment mechanisms and innovations. At the task level, we illuminate new capabilities including conversational interaction, explainable reasoning, and personalized content generation. We identify five key advantages: world knowledge integration, natural language understanding, reasoning capabilities, scaling laws, and creative generation. We critically examine challenges in benchmark design, model robustness, and deployment efficiency, while charting a roadmap toward intelligent recommendation assistants that fundamentally reshape human-information interaction.
• Abstract（参考訳）: Recommenderシステムは現代の情報エコシステムの基盤として機能し、ユーザーがデジタルコンテンツをナビゲートし、好みに沿ったアイテムを見つけるのに役立つ。 その中核となる推奨システムは、ユーザとアイテムのマッチングという、基本的な問題に対処する。 過去数十年にわたり、この分野は、機械学習時代の協調フィルタリングや行列分解から、ディープラーニング時代のニューラルアーキテクチャまで、連続したパラダイムシフトを経験してきた。 近年、生成モデル、特に大言語モデル(LLM)や拡散モデルが出現し、識別的スコアではなく、生成タスクとして再認識する生成的レコメンデーションという新たなパラダイムが生まれている。 この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。 作業を単純に分類するのではなく、運用段階のデータ拡張と統一、モデルのアライメントとトレーニング、タスクの定式化と実行にアプローチを体系的に分解する。 データレベルでは、生成モデルは、異種信号を統一しながら、知識を注入した拡張とエージェントベースのシミュレーションを可能にする。 モデルレベルでは,LLMに基づく手法,大規模レコメンデーションモデル,拡散アプローチを分類し,それらのアライメント機構とイノベーションを分析する。 タスクレベルでは、会話の相互作用、説明可能な推論、パーソナライズされたコンテンツ生成などの新機能を照明する。 世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。 ベンチマーク設計、モデルロバスト性、デプロイメント効率の課題について、人間と情報の相互作用を根本的に再構築するインテリジェントなレコメンデーションアシスタントに向けたロードマップをグラフ化しながら、批判的に検討する。

関連論文リスト

• A Framework for Generating Artificial Datasets to Validate Absolute and Relative Position Concepts [2.0391237204597368]
  このフレームワークは、オブジェクト認識、絶対位置と相対位置、属性識別といった基本的な概念に焦点を当てている。 提案するフレームワークは、多種多様な包括的なデータセットを生成するための貴重な手段を提供する。
  論文  参考訳（メタデータ） (2025-09-17T18:37:24Z)
• A Survey on Generative Model Unlearning: Fundamentals, Taxonomy, Evaluation, and Future Direction [21.966560704390716]
  我々はジェネレーティブ・モデル・アンラーニング(GenMU)に関する最近の研究についてレビューする。 本研究では,未学習目標,方法論的戦略,評価指標を分類するための統合分析フレームワークを提案する。 実世界のアプリケーションにおける非学習技術の潜在的な実用的価値を強調した。
  論文  参考訳（メタデータ） (2025-07-26T09:49:57Z)
• Continual Learning for Generative AI: From LLMs to MLLMs and Beyond [56.29231194002407]
  本稿では,主流生成型AIモデルに対する連続学習手法の総合的な調査を行う。 これらのアプローチをアーキテクチャベース、正規化ベース、リプレイベースという3つのパラダイムに分類する。 我々は、トレーニング目標、ベンチマーク、コアバックボーンを含む、異なる生成モデルに対する連続的な学習設定を分析する。
  論文  参考訳（メタデータ） (2025-06-16T02:27:25Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• 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)
• Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations [52.11801730860999]
  近年、ロボット学習コミュニティは、大規模なデータセットの複雑さを捉えるために、深層生成モデルを使うことへの関心が高まっている。 本稿では,エネルギーベースモデル,拡散モデル,アクションバリューマップ,生成的敵ネットワークなど,コミュニティが探求してきたさまざまなモデルについて述べる。 また,情報生成から軌道生成,コスト学習に至るまで,深層生成モデルを用いた様々なアプリケーションについて述べる。
  論文  参考訳（メタデータ） (2024-08-08T11:34:31Z)
• 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)

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。