論文の概要: CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2511.22707v1
• Date: Thu, 27 Nov 2025 18:59:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.693945
• Title: CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation
• Title（参考訳）: CoFiRec: ジェネレーティブレコメンデーションのための粗大なトークン化
• Authors: Tianxin Wei, Xuying Ning, Xuxing Chen, Ruizhong Qiu, Yupeng Hou, Yan Xie, Shuang Yang, Zhigang Hua, Jingrui He,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.783414010717074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In web environments, user preferences are often refined progressively as users move from browsing broad categories to exploring specific items. However, existing generative recommenders overlook this natural refinement process. Generative recommendation formulates next-item prediction as autoregressive generation over tokenized user histories, where each item is represented as a sequence of discrete tokens. Prior models typically fuse heterogeneous attributes such as ID, category, title, and description into a single embedding before quantization, which flattens the inherent semantic hierarchy of items and fails to capture the gradual evolution of user intent during web interactions. To address this limitation, we propose CoFiRec, a novel generative recommendation framework that explicitly incorporates the Coarse-to-Fine nature of item semantics into the tokenization process. Instead of compressing all attributes into a single latent space, CoFiRec decomposes item information into multiple semantic levels, ranging from high-level categories to detailed descriptions and collaborative filtering signals. Based on this design, we introduce the CoFiRec Tokenizer, which tokenizes each level independently while preserving structural order. During autoregressive decoding, the language model is instructed to generate item tokens from coarse to fine, progressively modeling user intent from general interests to specific item-level interests. Experiments across multiple public benchmarks and backbones demonstrate that CoFiRec outperforms existing methods, offering a new perspective for generative recommendation. Theoretically, we prove that structured tokenization leads to lower dissimilarity between generated and ground truth items, supporting its effectiveness in generative recommendation. Our code is available at https://github.com/YennNing/CoFiRec.
• Abstract（参考訳）: Web環境では、ユーザが幅広いカテゴリを閲覧するから特定の項目を探索するようになると、ユーザの好みは徐々に洗練されていく。 しかし、既存のジェネレーティブレコメンデーションは、この自然な精錬プロセスを見落としている。 生成レコメンデーションは、各アイテムが離散トークンのシーケンスとして表現されるトークン化されたユーザ履歴に対する自己回帰生成として、次のイテム予測を定式化する。 先行モデルは、通常、ID、カテゴリ、タイトル、説明のような異種属性を量子化の前に単一の埋め込みに融合する。 この制限に対処するために、アイテムセマンティクスの粗末な性質をトークン化プロセスに明示的に組み込んだ新しい生成レコメンデーションフレームワークであるCoFiRecを提案する。 すべての属性を単一の潜在空間に圧縮する代わりに、CoFiRecはアイテム情報を複数の意味レベルに分解する。 この設計に基づいて,構造秩序を維持しつつ,各レベルを独立にトークン化するCoFiRec Tokenizerを導入する。 自己回帰復号において、言語モデルは、粗いトークンから細かなトークンを生成するように指示され、ユーザ意図を一般的な関心事から特定のアイテムレベルの関心事に段階的にモデル化する。 複数の公開ベンチマークとバックボーンにわたる実験では、CoFiRecが既存のメソッドよりも優れており、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。 理論的には、構造化されたトークン化は、生成された真理項目と基底的真理項目との相違を低くし、生成的推薦におけるその効果を裏付ける。 私たちのコードはhttps://github.com/YennNing/CoFiRec.comで利用可能です。

関連論文リスト

• MindRec: A Diffusion-driven Coarse-to-Fine Paradigm for Generative Recommendation [27.715453433108937]
  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。
  論文  参考訳（メタデータ） (2025-11-16T13:42:59Z)
• Universal Item Tokenization for Transferable Generative Recommendation [89.42584009980676]
  本稿では、転送可能な生成レコメンデーションのためのユニバーサルアイテムトークン化手法であるUTGRecを提案する。 木構造コードブックを考案することにより、コンテンツ表現をアイテムトークン化のための対応するコードに識別する。 生のコンテンツ再構成には、アイテムテキストとイメージを離散表現から再構成するために、デュアルライトウェイトデコーダを用いる。 協調的知識統合においては,共起的アイテムが類似していると仮定し,共起的アライメントと再構築を通じて協調的信号を統合する。
  論文  参考訳（メタデータ） (2025-04-06T08:07:49Z)
• Learning Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation [55.99632509895994]
  マルチアスペクトセマンティックトークン化のための新しいアプローチであるLAMIAを紹介する。 単一の埋め込みを使用するRQ-VAEとは異なり、LAMIAは独立的でセマンティックな並列な埋め込みの集合である「アイテムパレット」を学習する。 その結果,提案手法よりも提案手法の精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-11T13:49:48Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)

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。