論文の概要: UniRec: Bridging the Expressive Gap between Generative and Discriminative Recommendation via Chain-of-Attribute

• arxiv url: http://arxiv.org/abs/2604.12234v1
• Date: Tue, 14 Apr 2026 03:13:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.215017
• Title: UniRec: Bridging the Expressive Gap between Generative and Discriminative Recommendation via Chain-of-Attribute
• Title（参考訳）: UniRec: Chain-of-Attributeによる生成的・差別的勧告間の表現的ギャップのブリッジ
• Abstract要約: Generative Recommendation (GR) reframes search and ranking as autoregressive decoding over Semantic IDs (SIDs) ベイズの定理によりこれを形式化し、p(y|f,u) によるランクは p(f|y,u) によるランクと同値であり、アイテムの特徴を自己回帰的に分解する。 We propose UniRec with Chain-of-Attribute (CoA) as its core mechanism。
• 参考スコア（独自算出の注目度）: 3.489476807010448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Recommendation (GR) reframes retrieval and ranking as autoregressive decoding over Semantic IDs (SIDs), unifying the multi-stage pipeline into a single model. Yet a fundamental expressive gap persists: discriminative models score items with direct feature access, enabling explicit user-item crossing, whereas GR decodes over compact SID tokens without item-side signal. We formalize this via Bayes' theorem, showing ranking by p(y|f,u) is equivalent to ranking by p(f|y,u), which factorizes autoregressively over item features. This establishes that a generative model with full feature access is as expressive as its discriminative counterpart; any practical gap stems solely from incomplete feature coverage. We propose UniRec with Chain-of-Attribute (CoA) as its core mechanism. CoA prefixes each SID sequence with structured attribute tokens--category, seller, brand--before decoding the SID itself, recovering the item-side feature crossing that discriminative models exploit. Because items sharing identical attributes cluster in adjacent SID regions, attribute conditioning yields a measurable per-step entropy reduction H(s_k|s_{<k},a) < H(s_k|s_{<k}), narrowing the search space and stabilizing beam search trajectories. We further address two deployment challenges: Capacity-constrained SID introduces exposure-weighted capacity penalties into residual quantization to suppress token collapse and the Matthew effect across SID layers; Conditional Decoding Context (CDC) combines Task-Conditioned BOS with hash-based Content Summaries, injecting scenario-conditioned signals at each decoding step. A joint RFT and DPO framework aligns the model with business objectives beyond distribution matching. Experiments show UniRec outperforms the strongest baseline by +22.6% HR@50 overall and +15.5% on high-value orders, with online A/B tests confirming significant business metric gains.
• Abstract（参考訳）: Generative Recommendation (GR)は、セマンティックID(SID)上での自動回帰デコードとして検索とランキングを再構築し、マルチステージパイプラインを単一のモデルに統合する。 差別的モデルは直接的特徴アクセスでアイテムをスコアし、明示的なユーザイテムの交差を可能にし、GRはアイテム側信号なしでコンパクトなSIDトークンをデコードする。 ベイズの定理によりこれを形式化し、p(y|f,u) のランクが p(f|y,u) のランクに等しいことを示す。 このことは、完全な特徴アクセスを持つ生成モデルは差別的モデルと同じくらい表現力が高いことを証明している。 We propose UniRec with Chain-of-Attribute (CoA) as its core mechanism。 CoAは、SID自体をデコードする前に、構造化された属性トークン、カテゴリ、販売者、ブランドを含む各SIDシーケンスをプレフィックスし、識別モデルが悪用するアイテム側の特徴交差を回復する。 隣接SID領域で同一属性クラスタを共有するため、属性条件付けにより、各ステップ毎のエントロピー低減H(s_k|s_{<k},a) < H(s_k|s_{<k})が測定可能となり、探索空間を狭めビーム探索軌道を安定化する。 容量制約付きSIDは、トークンの崩壊を抑制するために残量量子化に露出重み付き容量ペナルティを導入し、SID層にまたがるマシュー効果を抑える; 条件付きデコードコンテキスト(CDC)はタスク定義型BOSとハッシュベースのコンテンツサマリを結合し、各デコードステップでシナリオ条件付き信号を注入する。 RFTとDPOの合同フレームワークは、モデルを分散マッチング以上のビジネス目的と整合させる。 実験の結果、UniRecは全体のHR@50を+22.6%、高価値注文を+15.5%上回り、オンラインA/Bテストでは重要なビジネス指標の上昇が確認された。

関連論文リスト

• Gryphon: A Unified Architecture for Semantic-ID Generation and Item-Level Scoring in Industrial Recommendations [0.0]
  我々は、SID生成とともに、共同で訓練されたアイテムレベルスコアリングコンポーネントを導入する。 累積トークン確率でSIDをランク付けする代わりに、Gryphonは生成された各SIDを具体的なアイテムに分解する。 産業音楽サービスでは、次点の予測目標に基づいてアイテムレベルのスコアがトレーニングされた上で、GryphonはアイテムレベルのRecall@1000を最高レベルに到達した。
  論文  参考訳（メタデータ） (2026-06-07T12:31:26Z)
• SAPO: Step-Aligned Policy Optimization for Reasoning-Based Generative Recommendation [43.98709365191658]
  生成レコメンデーションは、次点予測を自己回帰的アイテム識別生成として扱う。 最近の研究は、このパラダイムを推論トレースで強化し、検証可能な報酬で強化学習を通じて最適化している。 大局的なレコメンデーションでは、生成されたSIDに対する正確なマッチングフィードバックは、最終項目が正しいかどうかのみを報告する。
  論文  参考訳（メタデータ） (2026-05-17T20:53:08Z)
• CapsID: Soft-Routed Variable-Length Semantic IDs for Generative Recommendation [6.439016735163573]
  生成レコメンデーションは、各項目をセマンティックID(SID)のシーケンスにマッピングし、検索を自己回帰トークン生成として再キャストする。 CAPSIDは硬質残留量子化をカプセルルーティングに置き換える。 Amazon Beauty, Sports, Toys, and a 35M-item industrial catalogでは、CAPSID+SEMANTICBPEはReSIDよりも平均して10.6%改善している。
  論文  参考訳（メタデータ） (2026-05-06T16:33:13Z)
• GenRec: A Preference-Oriented Generative Framework for Large-Scale Recommendation [14.663434490160016]
  我々は、JD App上にデプロイされた嗜好指向の生成フレームワークであるGenRecを紹介する。 月のオンラインA/Bテストでは、GenRecは9.5%のクリック数の改善と8.7%のトランザクション数を達成した。
  論文  参考訳（メタデータ） (2026-04-16T11:07:05Z)
• Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
  我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。 NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-27T11:34:41Z)
• IntRR: A Framework for Integrating SID Redistribution and Length Reduction [14.327886721362647]
  目的整合SID再分配と構造長削減を統合した新しいフレームワークであるIntRRを提案する。 IntRRは、代表的な生成ベースラインよりも大幅に改善され、推奨精度と効率の両方で優れた性能を達成する。
  論文  参考訳（メタデータ） (2026-02-24T09:09:40Z)
• End-to-End Semantic ID Generation for Generative Advertisement Recommendation [33.453121305193434]
  生成広告推薦のための統一SID生成フレームワークを提案する。 具体的には、生の広告データからエンドツーエンドで埋め込みとSIDを協調的に最適化する。 実験により、UniSIDは最先端のSID生成方法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-11T02:38:26Z)
• From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models [81.43473418572567]
  CTR(Click-Through Rate)予測は、レコメンデーションシステムにおける中核的なタスクである。 本稿では,埋め込み次元の崩壊と情報冗長性に対処する新しい生成フレームワークを提案する。 SFGは埋没崩壊を緩和し,情報冗長性を低減し,性能向上を図っている。
  論文  参考訳（メタデータ） (2025-12-16T03:17:18Z)
• Practical RAG Evaluation: A Rarity-Aware Set-Based Metric and Cost-Latency-Quality Trade-offs [0.0]
  本稿では,生産型RAGにおける推算ゲームについて述べる。 黄金のセットを構築し、監査するための標準化された再現可能な方法はありません。 Rath-gs (MIT) はプラケット=ルーシがリストワイドに改良したリーン・ゴールデンセットのパイプラインである。
  論文  参考訳（メタデータ） (2025-11-12T18:49:21Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
  ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。 自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。 実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
  論文  参考訳（メタデータ） (2025-10-21T03:23:32Z)
• Exploiting Discriminative Codebook Prior for Autoregressive Image Generation [54.14166700058777]
  トークンベースの自己回帰画像生成システムは、まずトークンインデックスのシーケンスをコードブックでトークン化し、次にこれらのシーケンスを自己回帰パラダイムでモデル化する。 自己回帰生成モデルはインデックス値のみに基づいて訓練されるが、豊富なトークン類似性情報を含むコードブックにエンコードされた前者は利用されない。 近年の研究では、トークン上に単純なk平均クラスタリングを行い、コードブックを減らした生成モデルのトレーニングを容易にすることで、これを先に組み込もうとしている。 k-meansの代替として、差別的コードブック先駆者(DCPE)を提案する。
  論文  参考訳（メタデータ） (2025-08-14T15:00:00Z)
• Order-agnostic Identifier for Large Language Model-based Generative Recommendation [94.37662915542603]
  アイテムは、ユーザ履歴をエンコードし、次のアイテムを生成するために、LLM(Large Language Models)の識別子に割り当てられる。 既存のアプローチでは、トークンシーケンス識別子を使用して、アイテムを個別のトークンシーケンスとして表現するか、IDまたはセマンティック埋め込みを使用して単一トークン識別子を使用する。 本稿では,セマンティック・トークンライザを利用するSETRecを提案する。
  論文  参考訳（メタデータ） (2025-02-15T15:25:38Z)
• COrAL: Order-Agnostic Language Modeling for Efficient Iterative Refinement [80.18490952057125]
  反復改良は、複雑なタスクにおける大規模言語モデル(LLM)の能力を高める効果的なパラダイムとして登場した。 我々はこれらの課題を克服するために、コンテキストワイズ順序非依存言語モデリング(COrAL)を提案する。 当社のアプローチでは、管理可能なコンテキストウィンドウ内で複数のトークン依存関係をモデル化しています。
  論文  参考訳（メタデータ） (2024-10-12T23:56:19Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)

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。