論文の概要: GLASS: A Generative Recommender for Long-sequence Modeling via SID-Tier and Semantic Search

• arxiv url: http://arxiv.org/abs/2602.05663v1
• Date: Thu, 05 Feb 2026 13:48:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.95584
• Title: GLASS: A Generative Recommender for Long-sequence Modeling via SID-Tier and Semantic Search
• Title（参考訳）: GLASS: SIDタイアとセマンティックサーチによる時系列モデリングのためのジェネレーティブレコメンダ
• Authors: Shiteng Cao, Junda She, Ji Liu, Bin Zeng, Chengcheng Guo, Kuo Cai, Qiang Luo, Ruiming Tang, Han Li, Kun Gai, Zhiheng Li, Cheng Yang,
• Abstract要約: GLASSは、SID-TierとSemantic Searchを通じて、長期的なユーザ関心を生成プロセスに統合する新しいフレームワークである。 GLASSは2つの大規模実世界のデータセットの実験において最先端のベースラインを上回っていることを示す。
• 参考スコア（独自算出の注目度）: 51.44490997013772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Leveraging long-term user behavioral patterns is a key trajectory for enhancing the accuracy of modern recommender systems. While generative recommender systems have emerged as a transformative paradigm, they face hurdles in effectively modeling extensive historical sequences. To address this challenge, we propose GLASS, a novel framework that integrates long-term user interests into the generative process via SID-Tier and Semantic Search. We first introduce SID-Tier, a module that maps long-term interactions into a unified interest vector to enhance the prediction of the initial SID token. Unlike traditional retrieval models that struggle with massive item spaces, SID-Tier leverages the compact nature of the semantic codebook to incorporate cross features between the user's long-term history and candidate semantic codes. Furthermore, we present semantic hard search, which utilizes generated coarse-grained semantic ID as dynamic keys to extract relevant historical behaviors, which are then fused via an adaptive gated fusion module to recalibrate the trajectory of subsequent fine-grained tokens. To address the inherent data sparsity in semantic hard search, we propose two strategies: semantic neighbor augmentation and codebook resizing. Extensive experiments on two large-scale real-world datasets, TAOBAO-MM and KuaiRec, demonstrate that GLASS outperforms state-of-the-art baselines, achieving significant gains in recommendation quality. Our codes are made publicly available to facilitate further research in generative recommendation.
• Abstract（参考訳）: 長期的なユーザ行動パターンを活用することは、現代のレコメンデータシステムの正確性を高めるための重要な道筋である。 生成レコメンデーションシステムは変革的パラダイムとして現れてきたが、広範な歴史的シーケンスを効果的にモデル化する上でハードルに直面している。 この課題に対処するため,SID-Tier と Semantic Search を通じて,長期的なユーザ関心を生成プロセスに統合する新しいフレームワーク GLASS を提案する。 まず、SIDトークンの予測を強化するために、長期的相互作用を統合された関心ベクトルにマッピングするモジュールであるSID-Tierを紹介する。 巨大なアイテム空間に苦しむ従来の検索モデルとは異なり、SID-Tierはセマンティック・コードブックのコンパクトな性質を利用して、ユーザの長期履歴と候補セマンティック・コードの間の横断的な特徴を取り入れている。 さらに,生成した粗粒度セマンティックIDを動的キーとして利用して関連する履歴を抽出し,その後,適応ゲート融合モジュールを介して融合して,その後の細粒度トークンの軌跡を補正するセマンティックハードサーチを提案する。 セマンティックなハードサーチにおけるデータ空間の分散性に対処するため、セマンティックな隣人拡張とコードブックのリサイズという2つの戦略を提案する。 TAOBAO-MMとKuaiRecという2つの大規模な実世界のデータセットに対する大規模な実験は、GLASSが最先端のベースラインを上回っ、推奨品質を著しく向上させることを示した。 私たちのコードは、ジェネレーティブレコメンデーションのさらなる研究を促進するために公開されています。

関連論文リスト

• HyMiRec: A Hybrid Multi-interest Learning Framework for LLM-based Sequential Recommendation [24.720767926024433]
  HyMiRecは、大規模言語モデルのためのハイブリッドシーケンシャルレコメンデーションフレームワークである。 長いユーザシーケンスから粗い関心埋め込みを抽出し、洗練された関心埋め込みをキャプチャするためのLLMベースのレコメンデータを抽出する。 ユーザの多様な嗜好をモデル化するために,不整合型多目的学習モジュールを設計する。
  論文  参考訳（メタデータ） (2025-10-15T16:45:59Z)
• Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations [22.48125906976824]
  カスケード型組織的ビ表現型ジェネリック検索フレームワークを導入し,カスケード処理を通じてスパース意味IDと高密度ベクトルを統合する。 本手法は,これらの表現をまずスパースIDを生成して交互に生成し,高密度ベクトルの生成を支援する条件として機能する。 推論の間、COBRAは粗大な戦略を採用し、スパースID生成から始まり、生成モデルを介してそれらを密度の高いベクトルに精製する。
  論文  参考訳（メタデータ） (2025-03-04T10:00:05Z)
• Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
  動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。 より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。 提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
  論文  参考訳（メタデータ） (2024-09-14T01:45:04Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)

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。