論文の概要: PIT: A Dynamic Personalized Item Tokenizer for End-to-End Generative Recommendation

• arxiv url: http://arxiv.org/abs/2602.08530v1
• Date: Mon, 09 Feb 2026 11:28:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.192347
• Title: PIT: A Dynamic Personalized Item Tokenizer for End-to-End Generative Recommendation
• Title（参考訳）: PIT: エンド・ツー・エンド生成推薦のための動的パーソナライズアイテムトケナイザ
• Authors: Huanjie Wang, Xinchen Luo, Honghui Bao, Zhang Zixing, Lejian Ren, Yunfan Wu, Hongwei Zhang, Liwei Guan, Guang Chen,
• Abstract要約: PITは動的パーソナライズされたアイテムトークン作成フレームワークで、エンドツーエンドのジェネレーティブレコメンデーションを提供する。 協調的な信号アライメントを通じて協調的なパターンを調和させる、共同生成アーキテクチャを採用している。 実世界のデータセットの実験は、PITが一貫して競争ベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 10.959841655014387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Recommendation has revolutionized recommender systems by reformulating retrieval as a sequence generation task over discrete item identifiers. Despite the progress, existing approaches typically rely on static, decoupled tokenization that ignores collaborative signals. While recent methods attempt to integrate collaborative signals into item identifiers either during index construction or through end-to-end modeling, they encounter significant challenges in real-world production environments. Specifically, the volatility of collaborative signals leads to unstable tokenization, and current end-to-end strategies often devolve into suboptimal two-stage training rather than achieving true co-evolution. To bridge this gap, we propose PIT, a dynamic Personalized Item Tokenizer framework for end-to-end generative recommendation, which employs a co-generative architecture that harmonizes collaborative patterns through collaborative signal alignment and synchronizes item tokenizer with generative recommender via a co-evolution learning. This enables the dynamic, joint, end-to-end evolution of both index construction and recommendation. Furthermore, a one-to-many beam index ensures scalability and robustness, facilitating seamless integration into large-scale industrial deployments. Extensive experiments on real-world datasets demonstrate that PIT consistently outperforms competitive baselines. In a large-scale deployment at Kuaishou, an online A/B test yielded a substantial 0.402% uplift in App Stay Time, validating the framework's effectiveness in dynamic industrial environments.
• Abstract（参考訳）: 生成レコメンデーション(Generative Recommendation)は、離散アイテム識別子上でのシーケンス生成タスクとして検索を再構成することで、レコメンデーションシステムに革命をもたらした。 進歩にもかかわらず、既存のアプローチは通常、協調的な信号を無視した静的で分離されたトークン化に依存します。 最近の手法では、インデックス構築中やエンドツーエンドのモデリングを通して、協調的な信号をアイテム識別子に統合しようとするが、現実のプロダクション環境では大きな課題に直面している。 特に、協調信号のボラティリティは不安定なトークン化をもたらし、現在のエンドツーエンド戦略は真の共進化を達成するのではなく、しばしば最適な2段階のトレーニングへと進化する。 このギャップを埋めるために、我々は、協調的な信号アライメントを通じて協調的なパターンを調和させ、共同進化学習を通じてアイテムトークンライザと生成レコメンデーションレコメンデーションラーとを同期させるコジェネレーティブアーキテクチャを用いて、エンド・ツー・エンドな生成レコメンデーションのための動的パーソナライズされたアイテムトークン化フレームワークであるPITを提案する。 これにより、インデックス構築とレコメンデーションの両方の動的、共同、エンドツーエンドの進化が可能になる。 さらに、1対多のビームインデックスはスケーラビリティと堅牢性を確保し、大規模産業展開へのシームレスな統合を容易にする。 実世界のデータセットに関する大規模な実験は、PITが競争ベースラインを一貫して上回っていることを示している。 Kuaishouでの大規模なデプロイメントでは、オンラインA/BテストがApp Stay Timeで大幅に0.402%上昇し、動的産業環境におけるフレームワークの有効性が検証された。

関連論文リスト

• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Next Interest Flow: A Generative Pre-training Paradigm for Recommender Systems by Modeling All-domain Movelines [8.895768051554162]
  本稿では,eコマースレコメンデータシステムのための新しい生成事前学習パラダイムを提案する。 我々のモデルは,ユーザの将来の意図を表す密度の高いベクトル列であるNext Interest Flowを予測することを学ぶ。 パイプライン全体を実装した統合フレームワークである All-domain Moveline Evolution Network (AMEN) を提示する。
  論文  参考訳（メタデータ） (2025-10-13T12:13:17Z)
• 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)
• RLHGNN: Reinforcement Learning-driven Heterogeneous Graph Neural Network for Next Activity Prediction in Business Processes [14.031370458128068]
  次のアクティビティ予測は、サービス指向アーキテクチャでビジネスプロセスを最適化する上での課題である。 イベントログを異種プロセスグラフに変換する新しいフレームワークであるRLHGNNを紹介する。 RLHGNNは、最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-03T15:01:08Z)
• 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)
• FedECADO: A Dynamical System Model of Federated Learning [15.425099636035108]
  フェデレーション学習は分散最適化の力を活用して、別々のクライアント間で統一された機械学習モデルをトレーニングする。 本研究は,フェデレート学習プロセスの動的システム表現にインスパイアされた新しいアルゴリズムであるFedECADOを提案する。 FedProxやFedNovaといった著名な技術と比較して、FedECADOは多くの異種シナリオにおいて高い分類精度を達成する。
  論文  参考訳（メタデータ） (2024-10-13T17:26:43Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。