論文の概要: From Local Indices to Global Identifiers: Generative Reranking for Recommender Systems via Global Action Space

• arxiv url: http://arxiv.org/abs/2604.25291v1
• Date: Tue, 28 Apr 2026 06:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.743902
• Title: From Local Indices to Global Identifiers: Generative Reranking for Recommender Systems via Global Action Space
• Title（参考訳）: 地域指標からグローバル識別子へ:グローバルアクション空間によるレコメンダシステムの生成
• Authors: Pengyue Jia, Xiaobei Wang, Yingyi Zhang, Shuchang Liu, Yupeng Hou, Hailan Yang, Xu Gao, Xiaopeng Li, Yejing Wang, Julian McAuley, Xiang Li, Lantao Hu, Yongqi Liu, Kaiqiao Zhan, Han Li, Kun Gai, Xiangyu Zhao,
• Abstract要約: GloRankは、ローカルインデックスの選択からグローバル識別子の生成に移行する、ジェネレーティブなフレームワークである。 我々はGloRankが最先端のベースラインを一貫して上回り、コールドスタートシナリオにおいて優れたロバスト性を実現することを示す。
• 参考スコア（独自算出の注目度）: 50.72071213515985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In modern recommender systems, list-wise reranking serves as a critical phase within the multi-stage pipeline, finalizing the exposed item sequence and directly impacting user satisfaction by modeling complex intra-list item dependencies. Existing methods typically formulate this task as selecting indices from the local input list. However, this approach suffers from a semantically inconsistent action space: the same output neuron (logits) represents different items across different samples, preventing the model from establishing a stable, intrinsic understanding of the items. To address this, we propose GloRank (Global Action Space Ranker), a generative framework that shifts reranking from selecting local indices to generating global identifiers. Specifically, we represent items as sequences of discrete tokens and reformulate reranking as a token generation task. This design effectively decouples the scoring mechanism from the variable input order, ensuring that items are evaluated against a consistent global standard. We further enhance this with a two-stage optimization pipeline: a supervised pre-training phase to initialize the model with high-quality demonstrations, followed by a reinforcement learning-based post-training phase to directly maximize list-wise utility. Extensive experiments on two public benchmarks and a large-scale industrial dataset, coupled with online A/B tests, demonstrate that GloRank consistently outperforms state-of-the-art baselines and achieves superior robustness in cold-start scenarios.
• Abstract（参考訳）: 現代のレコメンデータシステムでは、リストの更新は多段階パイプラインにおける重要なフェーズとして機能し、露出したアイテムシーケンスを確定し、複雑なリスト内のアイテム依存関係をモデル化することで、ユーザの満足度に直接影響を与える。 既存のメソッドは通常、ローカル入力リストからインデックスを選択するようにこのタスクを定式化します。 しかし、このアプローチは意味的に矛盾する行動空間に悩まされ、同じ出力ニューロン(ロジット)は異なるサンプルの異なる項目を表現し、モデルがアイテムの安定的で本質的な理解を確立するのを防ぐ。 これを解決するためにGloRank(Global Action Space Ranker)を提案する。 具体的には、アイテムを離散トークンのシーケンスとして表現し、トークン生成タスクとして再分類する。 この設計は、スコアリング機構を可変入力順序から効果的に分離し、アイテムが一貫したグローバル標準に対して評価されることを保証する。 さらに、高品質な実演でモデルを初期化するための教師付き事前学習フェーズと、リストワイドユーティリティを直接最大化する強化学習ベースの後学習フェーズの2段階最適化パイプラインにより、これをさらに強化する。 2つの公開ベンチマークと大規模産業データセットに関する大規模な実験は、オンラインA/Bテストと合わせて、GloRankが一貫して最先端のベースラインを上回り、コールドスタートシナリオにおいて優れた堅牢性を達成することを実証している。

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)
• CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation [55.783414010717074]
  CoFiRecは、アイテム情報をセマンティックレベルに分解する新しい生成レコメンデーションフレームワークである。 我々は、CoFiRecが既存の手法より優れており、ジェネレーティブレコメンデーションの新しい視点を提供することを示す。
  論文  参考訳（メタデータ） (2025-11-27T18:59:35Z)
• RecGPT: A Foundation Model for Sequential Recommendation [16.464972558861497]
  我々は、真にゼロショットの一般化機能を実現するための逐次レコメンデーションのための基礎モデルを開発する。 提案手法は,テキスト機能のみからアイテム表現を導出することで,既存のIDベースの手法から逸脱する。 我々は、不均一なテキスト記述を標準化された離散トークンに変換するFinite Scalar Quantizationと統合されたアイテムトークン化を導入する。
  論文  参考訳（メタデータ） (2025-06-06T17:53:02Z)
• Unifying Generative and Dense Retrieval for Sequential Recommendation [37.402860622707244]
  逐次密度検索と生成検索の強みを組み合わせたハイブリッドモデルであるLIGERを提案する。 LIGERは、シーケンシャルな高密度検索を生成検索に統合し、性能差を緩和し、コールドスタートアイテムレコメンデーションを強化する。 このハイブリッドアプローチは、これらのアプローチ間のトレードオフに関する洞察を与え、小規模ベンチマークにおけるレコメンデーションシステムの効率と効率性の向上を示す。
  論文  参考訳（メタデータ） (2024-11-27T23:36:59Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• An End-to-End Transformer Model for Crowd Localization [64.15335535775883]
  頭の位置を予測するクラウドローカライゼーションは、単にカウントするよりも実用的でハイレベルなタスクである。 既存の方法は擬似有界ボックスや事前設計されたローカライゼーションマップを使用し、複雑な後処理に頼って先頭位置を得る。 本稿では,レグレッションベースパラダイムの課題を解決するエレガントでエンドツーエンドなクラウドローカライゼーションTRansformerを提案する。
  論文  参考訳（メタデータ） (2022-02-26T05:21:30Z)

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。