論文の概要: UniGRec: Unified Generative Recommendation with Soft Identifiers for End-to-End Optimization

• arxiv url: http://arxiv.org/abs/2601.17438v1
• Date: Sat, 24 Jan 2026 12:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.73297
• Title: UniGRec: Unified Generative Recommendation with Soft Identifiers for End-to-End Optimization
• Title（参考訳）: UniGRec: エンド・ツー・エンド最適化のためのソフト識別子を用いた統一生成レコメンデーション
• Authors: Jialei Li, Yang Zhang, Yimeng Bai, Shuai Zhu, Ziqi Xue, Xiaoyan Zhao, Dingxian Wang, Frank Yang, Andrew Rabinovich, Xiangnan He,
• Abstract要約: 我々は、UniGRecという統合された生成レコメンデーションフレームワークを提案する。 UniGRecは、トレーニングと推論の相違、コードワードの使用によるアイテム識別子の崩壊、協調的な信号不足に対処する。 実世界のデータセットの実験では、UniGRecは最先端のベースラインメソッドを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 20.538589808672963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation has recently emerged as a transformative paradigm that directly generates target items, surpassing traditional cascaded approaches. It typically involves two components: a tokenizer that learns item identifiers and a recommender trained on them. Existing methods often decouple tokenization from recommendation or rely on asynchronous alternating optimization, limiting full end-to-end alignment. To address this, we unify the tokenizer and recommender under the ultimate recommendation objective via differentiable soft item identifiers, enabling joint end-to-end training. However, this introduces three challenges: training-inference discrepancy due to soft-to-hard mismatch, item identifier collapse from codeword usage imbalance, and collaborative signal deficiency due to an overemphasis on fine-grained token-level semantics. To tackle these challenges, we propose UniGRec, a unified generative recommendation framework that addresses them from three perspectives. UniGRec employs Annealed Inference Alignment during tokenization to smoothly bridge soft training and hard inference, a Codeword Uniformity Regularization to prevent identifier collapse and encourage codebook diversity, and a Dual Collaborative Distillation mechanism that distills collaborative priors from a lightweight teacher model to jointly guide both the tokenizer and the recommender. Extensive experiments on real-world datasets demonstrate that UniGRec consistently outperforms state-of-the-art baseline methods. Our codes are available at https://github.com/Jialei-03/UniGRec.
• Abstract（参考訳）: ジェネレーティブレコメンデーションは、最近、伝統的なカスケードアプローチを超越して、ターゲットアイテムを直接生成するトランスフォーメーションパラダイムとして登場した。 一般的には、アイテム識別子を学習するトークンライザと、それらに基づいてトレーニングされたレコメンデータの2つのコンポーネントが関係します。 既存のメソッドは、しばしばトークン化をレコメンデーションから切り離したり、非同期交互最適化に依存して、完全なエンドツーエンドアライメントを制限する。 これを解決するために,トークンとレコメンデーションを,識別可能なソフトアイテム識別子を通じて究極の推奨対象のもとに統一し,共同でエンドツーエンドのトレーニングを可能にする。 しかし、これは、ソフトからハードへのミスマッチによるトレーニングと推論の相違、コードワード使用の不均衡によるアイテム識別子の崩壊、きめ細かいトークンレベルのセマンティクスに対する過剰な強調による協調的な信号不足の3つの課題を提起する。 これらの課題に対処するため、我々は3つの視点から対処する統合生成レコメンデーションフレームワークUniGRecを提案する。 UniGRecでは、トークン化中にAnaaled Inference Alignmentを使用して、ソフトトレーニングとハード推論を円滑にブリッジし、識別子の崩壊を防止し、コードブックの多様性を促進するCodeword Uniformity Regularizationと、ライトウェイトな教師モデルから協調的な事前を蒸留し、トークン化者とレコメンダの両方を共同でガイドするDual Collaborative Distillationメカニズムを採用している。 実世界のデータセットに対する大規模な実験は、UniGRecが一貫して最先端のベースラインメソッドを上回っていることを示している。 私たちのコードはhttps://github.com/Jialei-03/UniGRec.comで公開されています。

関連論文リスト

• Closing the Performance Gap in Generative Recommenders with Collaborative Tokenization and Efficient Modeling [10.757287948514604]
  本稿では,協調情報を学習項目表現に直接統合するコントラストトークン化手法を提案する。 また、アイテムデコーディングからタイムラインモデリングを分離する軽量な音声インスパイアされた生成モデルであるMARIUSを提案する。
  論文  参考訳（メタデータ） (2025-08-12T17:06:55Z)
• 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)
• 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)
• 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)

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。