論文の概要: Token-Weighted Multi-Target Learning for Generative Recommenders with Curriculum Learning

• arxiv url: http://arxiv.org/abs/2601.17787v1
• Date: Sun, 25 Jan 2026 11:01:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.335789
• Title: Token-Weighted Multi-Target Learning for Generative Recommenders with Curriculum Learning
• Title（参考訳）: カリキュラム学習による生成レコメンダのためのトークン重み付きマルチターゲット学習
• Authors: Wei-Ning Chiu, Chuan-Ju Wang, Pu-Jen Cheng,
• Abstract要約: セマンティックIDを用いた生成レコメンデーションに適した2つの補完情報ゲインに基づくトークン重み付け手法を提案する。 本稿では,2つのトークン重み付け目標と標準可能性とを協調的に最適化する,カリキュラム学習を備えた多目的学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.152671524863083
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative recommender systems have recently attracted attention by formulating next-item prediction as an autoregressive sequence generation task. However, most existing methods optimize standard next-token likelihood and implicitly treat all tokens as equally informative, which is misaligned with semantic-ID-based generation. Accordingly, we propose two complementary information-gain-based token-weighting strategies tailored to generative recommendation with semantic IDs. Front-Greater Weighting captures conditional semantic information gain by prioritizing early tokens that most effectively reduce candidate-item uncertainty given their prefixes and encode coarse semantics. Frequency Weighting models marginal information gain under long-tailed item and token distributions, upweighting rare tokens to counteract popularity bias. Beyond individual strategies, we introduce a multi-target learning framework with curriculum learning that jointly optimizes the two token-weighted objectives alongside standard likelihood, enabling stable optimization and adaptive emphasis across training stages. Extensive experiments on benchmark datasets show that our method consistently outperforms strong baselines and existing token-weighting approaches, with improved robustness, strong generalization across different semantic-ID constructions, and substantial gains on both head and tail items. Code is available at https://github.com/CHIUWEINING/Token-Weighted-Multi-Target-Learning-for-Generative-Recommenders-with -Curriculum-Learning.
• Abstract（参考訳）: 生成レコメンデーションシステムは、最近、自己回帰的シーケンス生成タスクとして次点予測を定式化することによって注目を集めている。 しかし、既存のほとんどのメソッドは、標準的な次の確率を最適化し、すべてのトークンを、意味的IDベースの生成と不一致である等しく情報的として暗黙的に扱う。 そこで本研究では,セマンティックIDを用いた生成的レコメンデーションに適した2つの補完的情報ゲインに基づくトークン重み付け手法を提案する。 Front-Greater Weightingは、初期トークンの優先順位付けによって条件意味情報の取得をキャプチャし、プレフィックスが与えられた場合の候補項目の不確実性を効果的に低減し、粗いセマンティクスをエンコードする。 周波数重み付けは、長い尾のアイテムとトークンの分布の下での限界情報ゲインをモデル化し、人気バイアスに対処するために珍しいトークンを重み付けする。 個別の戦略以外にも,2つのトークン重み付け目標を標準的可能性とともに共同で最適化し,訓練段階間で安定した最適化と適応的強調を可能にする,カリキュラム学習を備えた多目的学習フレームワークを導入している。 ベンチマークデータセットの大規模な実験により、我々の手法は強いベースラインと既存のトークン重み付けアプローチを一貫して上回り、ロバスト性の向上、異なるセマンティックID構造間の強力な一般化、頭と尾の両方の項目での大幅な向上が示されている。 コードはhttps://github.com/CHIUWEINING/Token-Weighted-Multi-Target-Learning-for-Generative-Recommenders-with -Curriculum-Learningで入手できる。

関連論文リスト

• Multi-Aspect Cross-modal Quantization for Generative Recommendation [27.92632297542123]
  生成レコメンデーション(MACRec)のための多視点クロスモーダル量子化を提案する。 まず、ID学習過程において、競合率を効果的に低減するクロスモーダル量子化を導入する。 また、暗黙のアライメントや明示的なアライメントを含むマルチアスペクトのクロスモーダルアライメントも組み込んでいます。
  論文  参考訳（メタデータ） (2025-11-19T04:55:14Z)
• IGD: Token Decisiveness Modeling via Information Gain in LLMs for Personalized Recommendation [79.22388408461458]
  我々は,トークン決定性をチューニングと復号の両方に統合する情報ゲインに基づく決定性対応トークンハンドリング(IGD)戦略を導入する。 IGDはリコメンデーションの精度を一貫して改善し、強力なベースラインに比べて広く使われているランキングの指標で顕著に向上した。
  論文  参考訳（メタデータ） (2025-06-16T08:28:19Z)
• Pre-training Generative Recommender with Multi-Identifier Item Tokenization [78.87007819266957]
  本稿では, MTGRecを用いて, 生成Recommender事前学習のためのトークンシーケンスデータを拡張する手法を提案する。 このアプローチには、マルチアイデンティティーアイテムトークン化とカリキュラムレコメンデータ事前トレーニングという、2つの重要なイノベーションがあります。 3つの公開ベンチマークデータセットに対する大規模な実験は、MTGRecが従来の推奨基準と生成推奨基準の両方を大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2025-04-06T08:03:03Z)
• 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)

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。