論文の概要: Reasoning over Semantic IDs Enhances Generative Recommendation

• arxiv url: http://arxiv.org/abs/2603.23183v1
• Date: Tue, 24 Mar 2026 13:31:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.495512
• Title: Reasoning over Semantic IDs Enhances Generative Recommendation
• Title（参考訳）: ジェネレーティブレコメンデーションを促進する意味的IDの推論
• Authors: Yingzhi He, Yan Sun, Junfei Tan, Yuxin Chen, Xiaoyu Kong, Chunxu Shen, Xiang Wang, An Zhang, Tat-Seng Chua,
• Abstract要約: 本稿では,SID 言語アライメントを強化することによって,SID に対する推論を実現する2段階のフレームワークを提案する。 SIDReasonerはさらに、結果駆動強化最適化によるレコメンデーション推論を改善している。 実世界の3つのデータセットに対する実験により,SIDに基づく生成推薦の有効性が示された。
• 参考スコア（独自算出の注目度）: 56.83043583765322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in generative recommendation have leveraged pretrained LLMs by formulating sequential recommendation as autoregressive generation over a unified token space comprising language tokens and itemic identifiers, where each item is represented by a compact sequence of discrete tokens, namely Semantic IDs (SIDs). This SID-based formulation enables efficient decoding over large-scale item corpora and provides a natural interface for LLM-based recommenders to leverage rich world knowledge. Meanwhile, breakthroughs in LLM reasoning motivate reasoning-enhanced recommendation, yet effective reasoning over SIDs remains underexplored and challenging. Itemic tokens are not natively meaningful to LLMs; moreover, recommendation-oriented SID reasoning is hard to evaluate, making high-quality supervision scarce. To address these challenges, we propose SIDReasoner, a two-stage framework that elicits reasoning over SIDs by strengthening SID--language alignment to unlock transferable LLM reasoning, rather than relying on large amounts of recommendation-specific reasoning traces. Concretely, SIDReasoner first enhances SID-language alignment via multi-task training on an enriched SID-centered corpus synthesized by a stronger teacher model, grounding itemic tokens in diverse semantic and behavioral contexts. Building on this enhanced alignment, SIDReasoner further improves recommendation reasoning through outcome-driven reinforced optimization, which guides the model toward effective reasoning trajectories without requiring explicit reasoning annotations. Extensive experiments on three real-world datasets demonstrate the effectiveness of our reasoning-augmented SID-based generative recommendation. Beyond accuracy, the results highlight the broader potential of large reasoning models for generative recommendation, including improved interpretability and cross-domain generalization.
• Abstract（参考訳）: 生成レコメンデーションの最近の進歩は、言語トークンとアイテム識別子からなる統一トークン空間上で、逐次的レコメンデーションを自己回帰生成として定式化し、各項目は離散トークンのコンパクトなシーケンス、すなわちセマンティックID(SID)で表される。 このSIDベースの定式化により、大規模項目コーパスの効率的な復号化が可能になり、LLMベースの推薦者が豊かな世界知識を活用するための自然なインタフェースを提供する。 一方、LSM推論のブレークスルーは、推論の促進を動機づけるが、SIDに対する効果的な推論は、まだ未熟で困難なままである。 アイテムトークンはLLMに固有の意味を持たず、推奨指向のSID推論は評価が難しいため、高品質な監視が不十分である。 これらの課題に対処するために、SIDReasonerという2段階のフレームワークを提案する。SID言語アライメントを強化して、大量のレコメンデーション固有の推論トレースに頼るのではなく、トランスファー可能なLLM推論をアンロックする。 具体的には、SIDReasonerは、より強力な教師モデルによって合成された強化されたSID中心コーパス上で、多タスクトレーニングを通じてSID言語アライメントを強化する。 この強化されたアライメントに基づいて、SIDReasonerは結果駆動の強化された最適化を通じてレコメンデーション推論をさらに改善し、明示的な推論アノテーションを必要とせずに、効果的な推論軌道に向けてモデルを導く。 3つの実世界のデータセットに対する大規模な実験は、我々の推論強化SIDに基づく生成レコメンデーションの有効性を示す。 精度を超えて、この結果は、解釈可能性の改善やドメイン間の一般化を含む、生成的推薦のための大きな推論モデルの幅広い可能性を強調している。

関連論文リスト

• Rethinking Generative Recommender Tokenizer: Recsys-Native Encoding and Semantic Quantization Beyond LLMs [17.944727019161878]
  ReSIDは、情報保存とシーケンシャルな予測可能性の観点から学ぶことを推奨する、原則化されたSIDフレームワークである。 高いシーケンシャルおよびSIDベースの生成ベースラインを平均10%以上上回り、トークン化コストを最大122倍削減する。
  論文  参考訳（メタデータ） (2026-02-02T17:00:04Z)
• S$^2$GR: Stepwise Semantic-Guided Reasoning in Latent Space for Generative Recommendation [15.69884243417431]
  Generative Recommendation (GR) は、エンドツーエンドジェネレーションのアドバンテージとともに、トランスフォーメーションパラダイムとして登場した。 既存のGR法は主に相互作用シーケンスから直接セマンティックID(SID)を生成することに重点を置いている。 本稿では,潜在空間における段階的意味誘導推論(S$2$GR)を提案する。
  論文  参考訳（メタデータ） (2026-01-26T16:40:37Z)
• Unleashing the Native Recommendation Potential: LLM-Based Generative Recommendation via Structured Term Identifiers [51.64398574262054]
  本稿では,意味的にリッチで標準化されたテキストキーワードの集合として定義された用語ID(TID)を導入し,堅牢な項目識別子として機能する。 本稿では,TIDを中心にした新しいフレームワークGRLMを提案し,項目のメタデータを標準化されたTIDに変換し,統合的インストラクションファインタニングを活用して,用語の内部化とシーケンシャルレコメンデーションを協調的に最適化する。
  論文  参考訳（メタデータ） (2026-01-11T07:53:20Z)
• Generative Reasoning Recommendation via LLMs [48.45009951684554]
  大規模言語モデル(LLM)は、生成的推論レコメンデーションモデル(GRRM)として機能する上で、根本的な課題に直面している。 本研究は,レコメンデーションタスクに対する統一的な理解・推論・予測方法を実現する,事前学習されたLLMを適用してGRRMを構築する方法について検討する。 本稿では,協調的セマンティックアライメント(Collaborative-Semantic Alignment),Reasoning Curriculum Activation(Reasoning Curriculum Activation),Sparse-Regularized Group Policy Optimization(Sparse-Regularized Group Policy Optimization)の3つのコンポーネントを統合するエンドツーエンドフレームワークであるGREAMを提案する。
  論文  参考訳（メタデータ） (2025-10-23T17:59:31Z)
• Towards Scalable Semantic Representation for Recommendation [65.06144407288127]
  大規模言語モデル(LLM)に基づく意味的IDを構築するために、Mixture-of-Codesを提案する。 提案手法は,識別性と寸法の堅牢性に優れたスケーラビリティを実現し,提案手法で最高のスケールアップ性能を実現する。
  論文  参考訳（メタデータ） (2024-10-12T15:10:56Z)
• Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
  LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。 LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
  論文  参考訳（メタデータ） (2024-05-12T15:49:38Z)

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。