論文の概要: LLM-Aligned Geographic Item Tokenization for Local-Life Recommendation

• arxiv url: http://arxiv.org/abs/2511.14221v1
• Date: Tue, 18 Nov 2025 07:54:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.998078
• Title: LLM-Aligned Geographic Item Tokenization for Local-Life Recommendation
• Title（参考訳）: 地域レコメンデーションのためのLLM対応地理的項目トークン化
• Abstract要約: LGSID は LLM-Hierarchical Geographic Item Tokenization Framework for Local-life Recommendation である。 本稿では,学習前報酬モデルを用いて空間知識の一般化と協調的な信号をLLMに注入する新しいG-DPOアルゴリズムを提案する。 実世界のKuaishou産業データセットの実験によると、LGSIDは最先端の差別的で生成的なレコメンデーションモデルよりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 21.430438767288106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in Large Language Models (LLMs) have enhanced text-based recommendation by enriching traditional ID-based methods with semantic generalization capabilities. Text-based methods typically encode item textual information via prompt design and generate discrete semantic IDs through item tokenization. However, in domain-specific tasks such as local-life services, simply injecting location information into prompts fails to capture fine-grained spatial characteristics and real-world distance awareness among items. To address this, we propose LGSID, an LLM-Aligned Geographic Item Tokenization Framework for Local-life Recommendation. This framework consists of two key components: (1) RL-based Geographic LLM Alignment, and (2) Hierarchical Geographic Item Tokenization. In the RL-based alignment module, we initially train a list-wise reward model to capture real-world spatial relationships among items. We then introduce a novel G-DPO algorithm that uses pre-trained reward model to inject generalized spatial knowledge and collaborative signals into LLMs while preserving their semantic understanding. Furthermore, we propose a hierarchical geographic item tokenization strategy, where primary tokens are derived from discrete spatial and content attributes, and residual tokens are refined using the aligned LLM's geographic representation vectors. Extensive experiments on real-world Kuaishou industry datasets show that LGSID consistently outperforms state-of-the-art discriminative and generative recommendation models. Ablation studies, visualizations, and case studies further validate its effectiveness.
• Abstract（参考訳）: 近年のLarge Language Models (LLM) の進歩は、意味一般化機能を備えた従来のIDベースの手法を充実させることで、テキストベースの推薦を強化している。 テキストベースの手法は通常、アイテムのテキスト情報をプロンプト設計によってエンコードし、アイテムトークン化を通じて個別の意味IDを生成する。 しかし、地域生活サービスなどのドメイン固有のタスクでは、単に位置情報をプロンプトに注入するだけでは、細かい空間特性や、アイテム間の現実的距離の認識を捉えることができない。 そこで本研究では,LLM対応の地域生活推薦用アイテムトークン化フレームワークであるLGSIDを提案する。 本フレームワークは,(1)RLに基づく地理LLMアライメント,(2)階層的地理的項目トークン化の2つのキーコンポーネントから構成される。 RLをベースとしたアライメントモジュールでは、まずリストワイド報酬モデルを用いて、アイテム間の実空間関係を抽出する。 次に、学習前の報酬モデルを用いて、LLMに一般化された空間知識と協調的な信号を注入し、その意味的理解を保ちながら、新しいG-DPOアルゴリズムを導入する。 さらに,一次トークンを離散空間属性とコンテンツ属性から導出する階層的な地理的項目トークン化戦略を提案し,残余トークンをLLMの地理的表現ベクトルを用いて改良する。 実世界のKuaishou産業データセットに関する大規模な実験は、LGSIDが最先端の差別的・生成的レコメンデーションモデルより一貫して優れていることを示している。 アブレーション研究、可視化、およびケーススタディは、その効果をさらに検証する。

関連論文リスト

• Location-Aware Language Models via Secondary Embeddings [4.784071359791487]
  本研究では,地空間認識を事前学習した埋め込みに注入するための,軽量でモデルに依存しないアプローチを提案する。 本手法は,位置名と対応する緯度と経度を組み合わせることで,地理的な構造を持つ入力表現を増強する。 実験により,標準NLPベンチマークにおいて同等の性能を維持しつつ,地理空間アライメントを大幅に改善した。
  論文  参考訳（メタデータ） (2026-08-31T22:48:37Z)
• RELO: Reinforcement Learning to Localize for Visual Object Tracking [70.27265738642956]
  視覚的物体追跡のためのReinforcement-learning-to-LOcalize法であるRELOを紹介する。 RELOは、手作りの空間先行を空間的位置から学習した局所化ポリシーに置き換える。 我々は、RELOがテンプレート更新なしでLaSOText上で57.5%のAUCを達成することを示す。
  論文  参考訳（メタデータ） (2026-05-08T07:34:29Z)
• Enabling Intrinsic Reasoning over Dense Geospatial Embeddings with DFR-Gemma [23.95968681381851]
  Direct Feature Reasoning-Gemma (DFRGemma) は、大規模言語モデル(LLM)が地理的に密接な埋め込みを直接推論できる新しいフレームワークである。 機能クエリや比較,セマンティック記述など,多様な質問応答タスクと埋め込みを組み合わせたマルチタスクベンチマークを導入する。 以上の結果から,埋め込みを主データ入力として扱うことにより,マルチモーダル地理空間知能に対するより直接的な,効率的かつスケーラブルなアプローチが実現された。
  論文  参考訳（メタデータ） (2026-04-08T18:31:38Z)
• Spatially-Weighted CLIP for Street-View Geo-localization [5.8048364242505945]
  本稿では,空間的自己相関を視覚言語によるコントラスト学習に明示的に組み込む,ストリートビューのジオローカライゼーションのための新しいフレームワークを提案する。 多都市データセットの実験により、SW-CLIPは地理的ローカライゼーションの精度を著しく向上し、長いテール誤差を低減し、標準のCLIPに比べて空間コヒーレンスを向上させることが示された。
  論文  参考訳（メタデータ） (2026-04-06T02:10:36Z)
• Unleashing the Native Recommendation Potential: LLM-Based Generative Recommendation via Structured Term Identifiers [51.64398574262054]
  本稿では,意味的にリッチで標準化されたテキストキーワードの集合として定義された用語ID(TID)を導入し,堅牢な項目識別子として機能する。 本稿では,TIDを中心にした新しいフレームワークGRLMを提案し,項目のメタデータを標準化されたTIDに変換し,統合的インストラクションファインタニングを活用して,用語の内部化とシーケンシャルレコメンデーションを協調的に最適化する。
  論文  参考訳（メタデータ） (2026-01-11T07:53:20Z)
• Reasoning Over Space: Enabling Geographic Reasoning for LLM-Based Generative Next POI Recommendation [8.829656404389178]
  Reasoning Over Space (ROS) は、地理を推論プロセスにおける重要な決定変数として利用するフレームワークである。 ROSは、粗い局所性とPOIセマンティクスを合成トークンに識別する階層的空間意味ID(SID)を導入している。 空間誘導強化学習(Reinforcement Learning, RL)により, 実世界の地理とモデルをさらに整合させる。
  論文  参考訳（メタデータ） (2026-01-08T03:46:03Z)
• Spatial Preference Rewarding for MLLMs Spatial Understanding [92.25703021388142]
  マルチモーダル大言語モデル (MLLM) は, 有望な空間理解能力を示した。 彼らの成功にもかかわらず、MLLMは依然として微粒な空間知覚能力に不足している。 本稿では,MLLMの空間能力を高めるSPR(Spatial Preference Rewarding)アプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:16:18Z)
• RecBase: Generative Foundation Model Pretraining for Zero-Shot Recommendation [78.01030342481246]
  RecBaseは、レコメンデーション指向の目的によって事前訓練されたドメインに依存しない基礎モデルである。 アイテムを階層的な概念識別子にエンコードする統一されたアイテムトークンを導入します。 我々のモデルは、ゼロショットおよびクロスドメインレコメンデーションタスクにおいて、LLMのベースラインの最大7Bパラメータのパフォーマンスを一致または超過します。
  論文  参考訳（メタデータ） (2025-09-03T08:33:43Z)
• Automated Label Placement on Maps via Large Language Models [3.7553323195283697]
  データ編集問題としてタスクを定式化するALP(Automatic label Placement)の新たなパラダイムを導入する。 この方向を支援するため,実世界の地図上でALPを評価するためのベンチマークデータセットとして,MAPLEをキュレートした。 我々は,MAPLE 上で4つのオープンソース LLM を評価し,各種ランドマークの全体的な性能と一般化を解析した。
  論文  参考訳（メタデータ） (2025-07-29T18:00:22Z)
• Beyond the Surface: Uncovering Implicit Locations with LLMs for Personalized Local News [0.2749898166276854]
  本稿では,タボオラの「ホームページ・フォー・ユー」システムにおける局所的な記事分類のためのLarge Language Models(LLM)について検討する。 LLMは、正確性と説明可能性に関する懸念を高めながら、新たな可能性を提供します。 LLMベースの位置分類を統合したスケーラブルなパイプラインにより、ローカルな記事の配布が27%増加した。
  論文  参考訳（メタデータ） (2025-02-20T15:55:52Z)
• Grid-Based Projection of Spatial Data into Knowledge Graphs [1.3723120574076129]
  実世界の実体の空間的特性を知識グラフにエンコードできることを示す。 本稿では,各街路セグメントを個別に把握する従来の手法から,知識グラフにおける街路ネットワークを表現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T17:35:41Z)
• DIAL: Dense Image-text ALignment for Weakly Supervised Semantic Segmentation [8.422110274212503]
  弱教師付きセマンティックセグメンテーションアプローチは通常、初期シード生成にクラスアクティベーションマップ(CAM)に依存する。 DALNetは、テキストの埋め込みを利用して、さまざまなレベルの粒度のオブジェクトの包括的理解と正確な位置決めを強化する。 このアプローチは特に、シングルステージの手法として、より効率的なエンドツーエンドプロセスを可能にします。
  論文  参考訳（メタデータ） (2024-09-24T06:51:49Z)
• Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
  smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。 エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。 その結果,本手法は現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-21T03:31:30Z)
• Language Representations Can be What Recommenders Need: Findings and Potentials [57.90679739598295]
  先進的なLM表現から線形にマッピングされた項目表現は、より優れたレコメンデーション性能が得られることを示す。 この結果は、先進言語表現空間と効果的な項目表現空間との同型性を示唆している。 本研究は,自然言語処理とリコメンデーションシステムコミュニティの両方に刺激を与える言語モデリングと行動モデリングの関連性を強調した。
  論文  参考訳（メタデータ） (2024-07-07T17:05:24Z)
• Text-Video Retrieval with Global-Local Semantic Consistent Learning [122.15339128463715]
  我々は,シンプルで効果的なグローバル局所意味的一貫性学習(GLSCL)を提案する。 GLSCLは、テキストビデオ検索のためのモダリティをまたいだ潜在共有セマンティクスを活用する。 本手法はSOTAと同等の性能を実現し,計算コストの約220倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-05-21T11:59:36Z)
• Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
  LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。 LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
  論文  参考訳（メタデータ） (2024-05-12T15:49:38Z)
• Region-Based Semantic Factorization in GANs [67.90498535507106]
  本稿では,任意の画像領域についてGAN(Generative Adversarial Networks)が学習した潜在意味を分解するアルゴリズムを提案する。 適切に定義された一般化されたレイリー商を通して、アノテーションや訓練なしにそのような問題を解く。 様々な最先端のGANモデルに対する実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-19T17:46:02Z)

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。