論文の概要: SIGMA: A Semantic-Grounded Instruction-Driven Generative Multi-Task Recommender at AliExpress

• arxiv url: http://arxiv.org/abs/2602.22913v1
• Date: Thu, 26 Feb 2026 12:00:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.669656
• Title: SIGMA: A Semantic-Grounded Instruction-Driven Generative Multi-Task Recommender at AliExpress
• Title（参考訳）: SIGMA: AliExpressのセマンティックグラウンドインストラクション駆動生成マルチタスクレコメンダ
• Authors: Yang Yu, Lei Kou, Huaikuan Yi, Bin Chen, Yayu Cao, Lei Shen, Chao Zhang, Bing Wang, Xiaoyi Zeng,
• Abstract要約: 本稿では,SIGMA(Semantic-Grounded Instruction-Driven Generative Multi-Task Recommender)を提案する。 まず、一般的な意味論において、意味的および協調的な関係をキャプチャする統合潜在空間を通して、アイテムの実体を基礎とする。 大規模マルチタスクSFTデータセットを構築し、SIGMAが命令追従によって様々なレコメンデーション要求を満たすようにします。
• 参考スコア（独自算出の注目度）: 17.904783443841726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid evolution of Large Language Models, generative recommendation is gradually reshaping the paradigm of recommender systems. However, most existing methods are still confined to the interaction-driven next-item prediction paradigm, failing to rapidly adapt to evolving trends or address diverse recommendation tasks along with business-specific requirements in real-world scenarios. To this end, we present SIGMA, a Semantic-Grounded Instruction-Driven Generative Multi-Task Recommender at AliExpress. Specifically, we first ground item entities in general semantics via a unified latent space capturing both semantic and collaborative relations. Building upon this, we develop a hybrid item tokenization method for precise modeling and efficient generation. Moreover, we construct a large-scale multi-task SFT dataset to empower SIGMA to fulfill various recommendation demands via instruction-following. Finally, we design a three-step item generation procedure integrated with an adaptive probabilistic fusion mechanism to calibrate the output distributions based on task-specific requirements for recommendation accuracy and diversity. Extensive offline experiments and online A/B tests demonstrate the effectiveness of SIGMA.
• Abstract（参考訳）: 大規模言語モデルの急速な進化により、生成的レコメンデーションは徐々にレコメンデーションシステムのパラダイムを変えつつある。 しかし、既存のほとんどのメソッドは、いまだにインタラクション駆動の次世代予測パラダイムに限られており、進化するトレンドに迅速に適応したり、現実世界のシナリオにおけるビジネス固有の要件とともに、多様なレコメンデーションタスクに対処できない。 この目的のために,AliExpress の Semantic-Grounded Instruction-Driven Generative Multi-Task Recommender を紹介する。 具体的には、セマンティクスと協調関係の両方をキャプチャする統合潜在空間を通じて、一般的なセマンティクスでアイテムのエンティティを最初にグルーピングする。 そこで我々は,高精度なモデリングと効率的な生成のためのハイブリッドアイテムトークン化手法を開発した。 さらに,大規模マルチタスクSFTデータセットを構築し,SIGMAが命令追従によって様々なレコメンデーション要求を満たすようにした。 最後に,適応的確率的融合機構と統合された3段階の項目生成手法を設計し,タスク固有の要求に基づいて出力分布を校正し,精度と多様性を検証した。 大規模なオフライン実験とオンラインA/BテストはSIGMAの有効性を示す。

関連論文リスト

• Multimodal Generative Recommendation for Fusing Semantic and Collaborative Signals [17.608491612845306]
  逐次リコメンデータシステムは、ユーザのインタラクション履歴をモデル化し、結果のユーザ表現とストアドアイテムの埋め込みの間の内部積を計算することで、関連する項目をランク付けする。 大きなアイテムを格納する際のメモリオーバーヘッドを大幅に回避するため、生成推奨パラダイムは、各アイテムを独立したセマンティックコードとしてモデル化する。 これらのメソッドは、大きなアイテムセットの伝統的なシーケンシャルなレコメンデータを超えておらず、それらが対処するように設計されたシナリオでの採用を制限する。 マルチモーダル・セマンティック・コラボレーション・ジェネレーティブ・レコメンダであるMSCGRecを提案する。
  論文  参考訳（メタデータ） (2026-02-03T16:39:35Z)
• RecGOAT: Graph Optimal Adaptive Transport for LLM-Enhanced Multimodal Recommendation with Dual Semantic Alignment [23.738860191046538]
  マルチモーダルなレコメンデーションのための新しい2つのセマンティックアライメントフレームワークRecGOATを提案する。 RecGOATは、我々の理論的洞察を実証的に検証し、最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-01-31T11:58:38Z)
• 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)
• A Unified Multi-Task Learning Framework for Generative Auto-Bidding with Validation-Aligned Optimization [51.27959658504722]
  マルチタスク学習は、これらのタスクを共有表現を通じて共同でトレーニングするための、原則化されたフレームワークを提供する。 既存のマルチタスク最適化戦略は、主にトレーニングダイナミクスによって導かれ、不安定な入札環境ではよく一般化される。 本稿では,タスク毎のトレーニング勾配と保留有効度勾配のアライメントに基づいてタスク重みを適応的に割り当てる,バリデーション適応型マルチタスク最適化(VAMO)を提案する。
  論文  参考訳（メタデータ） (2025-10-09T03:59:51Z)
• ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction [84.90394416593624]
  大規模言語モデル(LLM)によるエージェント的タスク解決には,多ターン・マルチステップインタラクションが必要である。 既存のシミュレーションベースのデータ生成手法は、複数のエージェント間のコストのかかる自己回帰的相互作用に大きく依存している。 本稿では,高品質なマルチターンエージェント対話を構築するための非自己回帰反復生成フレームワークであるToolACE-MTを提案する。
  論文  参考訳（メタデータ） (2025-08-18T07:38:23Z)
• Towards Agentic AI for Multimodal-Guided Video Object Segmentation [14.877182670778284]
  参照ベースのビデオオブジェクトは、外部キューでガイドされたきめ細かいセグメンテーション結果を生成する必要のあるマルチモーダル問題である。 ビジョン言語基礎モデルの最近の進歩は、トレーニングフリーアプローチへの有望な方向性を開いている。 本稿では,この課題を柔軟かつ適応的に解決する新しいエージェントシステムであるMulti-Modal Agentを提案する。
  論文  参考訳（メタデータ） (2025-08-14T12:11:15Z)
• Meta-Task Prompting Elicits Embeddings from Large Language Models [54.757445048329735]
  本稿では,新しい教師なしテキスト埋め込み手法であるMeta-Task Prompting with Explicit One-Word Limitationを紹介する。 モデル微調整を必要とせずに,大規模言語モデルから高品質な文埋め込みを生成する。 提案法は,多種多様なシナリオにまたがって生成を組み込む汎用的で資源効率のよい手法を提供する。
  論文  参考訳（メタデータ） (2024-02-28T16:35:52Z)
• 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)

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。