論文の概要: SimGR: Escaping the Pitfalls of Generative Decoding in LLM-based Recommendation

• arxiv url: http://arxiv.org/abs/2602.07847v1
• Date: Sun, 08 Feb 2026 07:26:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.830191
• Title: SimGR: Escaping the Pitfalls of Generative Decoding in LLM-based Recommendation
• Title（参考訳）: SimGR: LLMベースのレコメンデーションにおける生成デコーディングの落とし穴の回避
• Authors: Yuanbo Zhao, Ruochen Liu, Senzhang Wang, Jun Yin, Yuxin Dong, Huan Gong, Hao Chen, Shirui Pan, Chengqi Zhang,
• Abstract要約: 推薦システムの中核的な目的は、パーソナライズされたレコメンデーションを可能にするために、アイテムよりもユーザの好みの分布を正確にモデル化することである。 アイテムレベルの嗜好分布を推定する際に,既存の手法が必然的に系統的バイアスを生じさせることを観察する。 textbfSimply textbfGenerative textbfRecommendation (textbfSimGR)を提案する。
• 参考スコア（独自算出の注目度）: 68.00727783181289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A core objective in recommender systems is to accurately model the distribution of user preferences over items to enable personalized recommendations. Recently, driven by the strong generative capabilities of large language models (LLMs), LLM-based generative recommendation has become increasingly popular. However, we observe that existing methods inevitably introduce systematic bias when estimating item-level preference distributions. Specifically, autoregressive generation suffers from incomplete coverage due to beam search pruning, while parallel generation distorts probabilities by assuming token independence. We attribute this issue to a fundamental modeling mismatch: these methods approximate item-level distributions via token-level generation, which inherently induces approximation errors. Through both theoretical analysis and empirical validation, we demonstrate that token-level generation cannot faithfully substitute item-level generation, leading to biased item distributions. To address this, we propose \textbf{Sim}ply \textbf{G}enerative \textbf{R}ecommendation (\textbf{SimGR}), a framework that directly models item-level preference distributions in a shared latent space and ranks items by similarity, thereby aligning the modeling objective with recommendation and mitigating distributional distortion. Extensive experiments across multiple datasets and LLM backbones show that SimGR consistently outperforms existing generative recommenders. Our code is available at https://anonymous.4open.science/r/SimGR-C408/
• Abstract（参考訳）: 推薦システムの中核的な目的は、パーソナライズされたレコメンデーションを可能にするために、アイテムよりもユーザの好みの分布を正確にモデル化することである。 近年,大規模言語モデル(LLM)の強力な生成能力によって,LLMに基づく生成推奨がますます人気が高まっている。 しかし,既存手法はアイテムレベルの嗜好分布を推定する際に,必然的に体系的バイアスを生じさせる。 具体的には、自己回帰生成はビームサーチプルーニングによる不完全なカバレッジに悩まされ、一方並列生成はトークン独立性を仮定して確率を歪ませる。 これらの手法は、本質的に近似誤差を誘導するトークンレベルの生成を通じてアイテムレベルの分布を近似する。 理論的解析と実証的検証の両方を通して、トークンレベルの生成はアイテムレベルの生成を忠実に代用できないことが示され、偏りのあるアイテムの分布が導かれる。 これを解決するために、共有潜在空間におけるアイテムレベルの嗜好分布を直接モデル化し、類似度で項目をランク付けするフレームワークである \textbf{Sim}ply \textbf{G}enerative \textbf{R}ecommendation (\textbf{SimGR})を提案する。 複数のデータセットとLLMバックボーンにわたる大規模な実験は、SimGRが既存のジェネレーティブレコメンデータを一貫して上回っていることを示している。 私たちのコードはhttps://anonymous.4open.science/r/SimGR-C408/で利用可能です。

関連論文リスト

• Towards Distribution Matching between Collaborative and Language Spaces for Generative Recommendation [38.4884627838639]
  ジェネレーティブレコメンデーションは、ユーザのためのレコメンデーションを生成するために、アイテムセット全体を通して、基礎となるジェネレーティブプロセスを学ぶことを目的としている。 本研究ではDMRecと呼ばれるモデルに依存しない生成レコメンデーションフレームワークを提案し,ユーザインタラクションによってLMの出力をブリッジする確率的メタネットワークを提案する。
  論文  参考訳（メタデータ） (2025-04-10T01:09:30Z)
• SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
  ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。 我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。 本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-21T03:39:04Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Variation Control and Evaluation for Generative SlateRecommendations [22.533997063750597]
  アイテムの摂動はスレート変動を強制し,生成スレートの過剰濃度を緩和できることを示した。 また,ピボット選択フェーズを生成プロセスから分離し,モデルが生成前に摂動を適用できるようにする。
  論文  参考訳（メタデータ） (2021-02-26T05:04:40Z)
• Generative Max-Mahalanobis Classifiers for Image Classification, Generation and More [6.89001867562902]
  Max-Mahalanobis (MMC) は、画像分類と生成のために、識別、生成、共同で訓練することができる。 ジェネラティブMCC(Generative MMC)は、画像分類と生成のために、識別的、生成的、または共同でトレーニングできることを示します。
  論文  参考訳（メタデータ） (2021-01-01T00:42:04Z)

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。