論文の概要: Unleashing the Native Recommendation Potential: LLM-Based Generative Recommendation via Structured Term Identifiers

• arxiv url: http://arxiv.org/abs/2601.06798v1
• Date: Sun, 11 Jan 2026 07:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.996751
• Title: Unleashing the Native Recommendation Potential: LLM-Based Generative Recommendation via Structured Term Identifiers
• Title（参考訳）: ネイティブレコメンデーションの可能性の解き放つ:構造化項同定によるLLMに基づく生成レコメンデーション
• Authors: Zhiyang Zhang, Junda She, Kuo Cai, Bo Chen, Shiyao Wang, Xinchen Luo, Qiang Luo, Ruiming Tang, Han Li, Kun Gai, Guorui Zhou,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.64398574262054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Leveraging the vast open-world knowledge and understanding capabilities of Large Language Models (LLMs) to develop general-purpose, semantically-aware recommender systems has emerged as a pivotal research direction in generative recommendation. However, existing methods face bottlenecks in constructing item identifiers. Text-based methods introduce LLMs' vast output space, leading to hallucination, while methods based on Semantic IDs (SIDs) encounter a semantic gap between SIDs and LLMs' native vocabulary, requiring costly vocabulary expansion and alignment training. To address this, this paper introduces Term IDs (TIDs), defined as a set of semantically rich and standardized textual keywords, to serve as robust item identifiers. We propose GRLM, a novel framework centered on TIDs, employs Context-aware Term Generation to convert item's metadata into standardized TIDs and utilizes Integrative Instruction Fine-tuning to collaboratively optimize term internalization and sequential recommendation. Additionally, Elastic Identifier Grounding is designed for robust item mapping. Extensive experiments on real-world datasets demonstrate that GRLM significantly outperforms baselines across multiple scenarios, pointing a promising direction for generalizable and high-performance generative recommendation systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)の膨大なオープンワールド知識と理解能力を活用して、汎用的、意味的に認識可能なレコメンデータシステムの開発が、ジェネレーティブレコメンデーションにおける重要な研究方向として現れている。 しかし、既存の手法はアイテム識別子の構築においてボトルネックに直面している。 テキストベースの手法はLLMの膨大な出力空間を導入し、幻覚を招き、セマンティックID(SID)に基づく手法はSIDとLLMのネイティブ語彙間のセマンティックギャップに遭遇し、高価な語彙拡張とアライメントトレーニングを必要とする。 そこで本稿では,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タームID(TID)を導入し,ロバストな項目識別子として機能させる。 我々は,TIDを中心とした新しいフレームワークであるGRLMを提案し,コンテキスト認識項生成を用いて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用いて用語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。 さらに、Elastic Identifier Groundingは堅牢なアイテムマッピング用に設計されている。 実世界のデータセットに対する大規模な実験により、GRLMは複数のシナリオでベースラインを大幅に上回っており、一般化可能かつ高性能な生成レコメンデーションシステムにおいて有望な方向性を示している。

関連論文リスト

• MLLM-Driven Semantic Identifier Generation for Generative Cross-Modal Retrieval [7.524529523498721]
  本稿では,MLLMに画像キャプチャーペアから構造化意味識別子を生成するための語彙効率のよい識別子生成フレームワークを提案する。 これらの識別子は、オブジェクトやアクションのような概念レベルのトークンで構成され、モデルの生成空間と自然に整合している。 また、Rationale-Guided Supervision Strategyを導入し、各識別子と並行して一文説明を作成するよう促す。
  論文  参考訳（メタデータ） (2025-09-22T05:23:06Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• SemCORE: A Semantic-Enhanced Generative Cross-Modal Retrieval Framework with MLLMs [70.79124435220695]
  セマンティック強化型Cross-mOdal Retrievalフレームワーク(SemCORE)を提案する。 まず,自然言語の理解と生成に最適化された生成モデルとターゲット識別子を効果的に整合させる構造化自然言語識別器(SID)を構築した。 次に、粒度の細かいターゲット識別を可能にするジェネレーティブ・セマンティック・検証(GSV)戦略を導入する。
  論文  参考訳（メタデータ） (2025-04-17T17:59:27Z)
• Break the ID-Language Barrier: An Adaption Framework for LLM-based Sequential Recommendation [13.047167114638285]
  ドメイン固有知識に富んだ事前学習ID埋め込みを,大規模言語モデルに統合するフレームワークであるIDLE-Adapterを提案する。 IDLE-Adapterはブリッジとして機能し、疎いユーザ-イテムインタラクションデータを高密度でLLM互換の表現に変換する。
  論文  参考訳（メタデータ） (2024-11-27T11:59:44Z)
• 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)
• Language Models As Semantic Indexers [78.83425357657026]
  本稿では,ジェネレーティブ言語モデルを用いてセマンティックIDを学習するための自己教師型フレームワークLMIndexerを紹介する。 学習したIDの質を検証し,推奨,製品検索,文書検索の3つの課題において有効性を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:56:15Z)

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。