論文の概要: MindRec: A Diffusion-driven Coarse-to-Fine Paradigm for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2511.12597v2
• Date: Tue, 18 Nov 2025 05:03:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 13:59:16.786293
• Title: MindRec: A Diffusion-driven Coarse-to-Fine Paradigm for Generative Recommendation
• Title（参考訳）: MindRec: ジェネレーションレコメンデーションのための拡散駆動型粗結合パラダイム
• Authors: Mengyao Gao, Chongming Gao, Haoyan Liu, Qingpeng Cai, Peng Jiang, Jiajia Chen, Shuai Yuan, Xiangnan He,
• Abstract要約: MindRecは人間の思考過程をエミュレートする粗大な生成パラダイムである。 我々はMindRecが最先端の手法よりも平均9.5%の精度でトップ1の精度を向上させることを示した。
• 参考スコア（独自算出の注目度）: 27.715453433108937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in large language model-based recommendation systems often represent items as text or semantic IDs and generate recommendations in an auto-regressive manner. However, due to the left-to-right greedy decoding strategy and the unidirectional logical flow, such methods often fail to produce globally optimal recommendations. In contrast, human reasoning does not follow a rigid left-to-right sequence. Instead, it often begins with keywords or intuitive insights, which are then refined and expanded. Inspired by this fact, we propose MindRec, a diffusion-driven coarse-to-fine generative paradigm that emulates human thought processes. Built upon a diffusion language model, MindRec departs from auto-regressive generation by leveraging a masked diffusion process to reconstruct items in a flexible, non-sequential manner. Particularly, our method first generates key tokens that reflect user preferences, and then expands them into the complete item, enabling adaptive and human-like generation. To further emulate the structured nature of human decision-making, we organize items into a hierarchical category tree. This structure guides the model to first produce the coarse-grained category and then progressively refine its selection through finer-grained subcategories before generating the specific item. To mitigate the local optimum problem inherent in greedy decoding, we design a novel beam search algorithm, Diffusion Beam Search, tailored for our mind-inspired generation paradigm. Experimental results demonstrate that MindRec yields a 9.5\% average improvement in top-1 accuracy over state-of-the-art methods, highlighting its potential to enhance recommendation performance. The implementation is available via https://github.com/Mr-Peach0301/MindRec.
• Abstract（参考訳）: 大規模言語モデルに基づくレコメンデーションシステムの最近の進歩は、しばしばアイテムをテキストまたはセマンティックIDとして表現し、自動回帰的な方法でレコメンデーションを生成する。 しかし、左から右への強欲な復号戦略と一方向論理フローのため、このような手法はグローバルに最適なレコメンデーションを作成できないことが多い。 対照的に、人間の推論は厳格な左から右へのシーケンスに従わない。 代わりに、しばしばキーワードや直感的な洞察から始まり、それを洗練して拡張する。 この事実に触発されて,人間の思考過程をエミュレートする拡散駆動型粗大な生成パラダイムであるMindRecを提案する。 拡散言語モデルに基づいて構築されたMindRecは、マスク付き拡散プロセスを利用して、フレキシブルで非シークエンシャルな方法でアイテムを再構築することで、自動回帰生成から脱却する。 特に,まずユーザの好みを反映したキートークンを生成し,それを完全な項目に拡張し,適応的かつ人間的な生成を可能にする。 人間の意思決定の構造的性質をさらにエミュレートするために,アイテムを階層的なカテゴリツリーに整理する。 この構造はモデルを誘導し、まず粗粒度のカテゴリを生成し、次に特定の項目を生成する前により細粒度のサブカテゴリによってその選択を段階的に洗練する。 グリーディ復号法に固有の局所最適問題を緩和するため,我々の心に触発された生成パラダイムに合わせて,新しいビーム探索アルゴリズムDiffusion Beam Searchを設計した。 実験の結果、MindRecは最先端手法よりも平均9.5倍の精度でトップ1の精度が向上し、レコメンデーション性能が向上する可能性が示された。 実装はhttps://github.com/Mr-Peach0301/MindRecで利用可能である。

関連論文リスト

• SimGR: Escaping the Pitfalls of Generative Decoding in LLM-based Recommendation [68.00727783181289]
  推薦システムの中核的な目的は、パーソナライズされたレコメンデーションを可能にするために、アイテムよりもユーザの好みの分布を正確にモデル化することである。 アイテムレベルの嗜好分布を推定する際に,既存の手法が必然的に系統的バイアスを生じさせることを観察する。 textbfSimply textbfGenerative textbfRecommendation (textbfSimGR)を提案する。
  論文  参考訳（メタデータ） (2026-02-08T07:26:52Z)
• CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation [55.783414010717074]
  CoFiRecは、アイテム情報をセマンティックレベルに分解する新しい生成レコメンデーションフレームワークである。 我々は、CoFiRecが既存の手法より優れており、ジェネレーティブレコメンデーションの新しい視点を提供することを示す。
  論文  参考訳（メタデータ） (2025-11-27T18:59:35Z)
• R$^2$ec: Towards Large Recommender Models with Reasoning [59.32598867813266]
  R$2$ecは、本質的な推論能力を持つ統一された大型レコメンデータモデルである。 R$2$ecは、推論チェーン生成と効率的なアイテム予測の両方を単一のモデルでサポートするデュアルヘッドアーキテクチャを導入している。 注釈付き推論データの欠如を克服するため、強化学習フレームワークであるRecPOを設計する。
  論文  参考訳（メタデータ） (2025-05-22T17:55:43Z)
• Flow Matching based Sequential Recommender Model [54.815225661065924]
  本研究では,フローマッチングに基づくフローマッチングモデルであるFMRecを紹介する。 FMRecは最先端の手法よりも平均6.53%改善している。
  論文  参考訳（メタデータ） (2025-05-22T06:53:03Z)
• ThinkRec: Thinking-based recommendation via LLM [19.398302729633397]
  ThinkRec は LLM4Rec を System 1 から System 2 (レーショナルシステム) に移行する思考ベースのフレームワークである。 ThinkRecは、キーワードの要約でアイテムメタデータを拡張し、合成推論トレースを注入するシンクアクティベーションメカニズムを導入している。 ThinkRecは、ユーザの潜在機能に基づいて専門家モデルに重みを動的に割り当てることで、個々のユーザへの推論パスを適応させ、精度とパーソナライゼーションを向上させる。
  論文  参考訳（メタデータ） (2025-05-21T04:25:18Z)
• Constrained Auto-Regressive Decoding Constrains Generative Retrieval [71.71161220261655]
  ジェネレーティブ検索は、従来の検索インデックスデータ構造を1つの大規模ニューラルネットワークに置き換えようとしている。 本稿では,制約とビームサーチという2つの本質的な視点から,制約付き自己回帰生成の固有の制約について検討する。
  論文  参考訳（メタデータ） (2025-04-14T06:54:49Z)
• OneRec: Unifying Retrieve and Rank with Generative Recommender and Iterative Preference Alignment [9.99840965933561]
  ケースドラーニングフレームワークを統一的な生成モデルで置き換えるOneRecを提案する。 1) ユーザの履歴行動シーケンスをエンコードし、ユーザが興味を持っているかもしれない動画を徐々にデコードするエンコーダ・デコーダ構造。
  論文  参考訳（メタデータ） (2025-02-26T09:25:10Z)
• 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)
• RethinkMCTS: Refining Erroneous Thoughts in Monte Carlo Tree Search for Code Generation [71.88883580383039]
  コード生成の推論プロセスを探求し、洗練するフレームワークであるRethinkMCTSを提案する。 具体的には、コード生成前の思考の検索にMCTSを使用し、再考と呼ばれる改善メカニズムをMCTSに統合する。 RethinkMCTSは、従来の検索ベースおよびフィードバック強化コード生成ベースラインよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2024-09-15T02:07:28Z)
• 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)
• GenRec: Generative Sequential Recommendation with Large Language Models [4.381277509913139]
  我々はGenerative Recommendation(GenRec)という新しいモデルを提案する。 GenRecは軽量で、低リソース環境で効果的にトレーニングするのに数時間しか必要としない。 我々の実験は、GenRecが様々な公開現実世界のデータセットを一般化することを実証した。
  論文  参考訳（メタデータ） (2024-07-30T20:58:36Z)
• Diffusion-based Contrastive Learning for Sequential Recommendation [6.3482831836623355]
  本稿では,CaDiRecという,文脈対応拡散に基づく逐次推薦のためのコントラスト学習を提案する。 CaDiRecは、コンテキスト対応拡散モデルを使用して、シーケンス内の所定の位置に対する代替アイテムを生成する。 フレームワーク全体をエンドツーエンドでトレーニングし、拡散モデルとレコメンデーションモデルの間でアイテムの埋め込みを共有します。
  論文  参考訳（メタデータ） (2024-05-15T14:20:37Z)
• Hierarchical Indexing for Retrieval-Augmented Opinion Summarization [60.5923941324953]
  本稿では,抽出アプローチの帰属性と拡張性と,大規模言語モデル(LLM)の一貫性と拡散性を組み合わせた,教師なし抽象的意見要約手法を提案する。 我々の方法であるHIROは、意味的に整理された離散的な階層を通して文を経路にマッピングするインデックス構造を学習する。 推測時にインデックスを投入し、入力レビューから人気意見を含む文群を識別し、検索する。
  論文  参考訳（メタデータ） (2024-03-01T10:38:07Z)
• Learning to Rank in Generative Retrieval [62.91492903161522]
  生成的検索は、検索対象として関連する通路の識別子文字列を生成することを目的としている。 我々はLTRGRと呼ばれる生成検索のための学習 torankフレームワークを提案する。 このフレームワークは、現在の生成的検索システムを強化するために、追加の学習からランクまでのトレーニングフェーズのみを必要とする。
  論文  参考訳（メタデータ） (2023-06-27T05:48:14Z)
• DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
  本稿では,既存のDocREモデルの根本原因について検討する。 本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。 4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-10-28T11:18:10Z)

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。