論文の概要: Harmonizing Generative Retrieval and Ranking in Chain-of-Recommendation

• arxiv url: http://arxiv.org/abs/2604.25787v1
• Date: Tue, 28 Apr 2026 15:56:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.934545
• Title: Harmonizing Generative Retrieval and Ranking in Chain-of-Recommendation
• Title（参考訳）: チェーン・オブ・レコメンデーションにおける生成検索とランク付けの調和
• Authors: Yu Liu, Jiangxia Cao,
• Abstract要約: 本稿では,統合された生成検索・ランキングフレームワークRecoChainを提案する。 提案手法は,生成検索とランキングのギャップを効果的に埋め,Top-Kレコメンデーション性能の向上を実現している。
• 参考スコア（独自算出の注目度）: 7.875907934833633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommender systems have recently emerged as a promising paradigm by formulating next-item prediction as an auto-regressive semantic IDs generation, such as OneRec series works. However, with the next-item-agnostic prediction paradigm, its could beam out some next potential items via Semantic IDs but hard to estimate which items are better from them, e.g., select the top-10 from beam-256 items, leading to a gap between generation and ranking performance. To fulfill this gap, we propose RecoChain, a unified generative retrieval and ranking framework that integrates candidate generation and ranking within a single Transformer backbone. Specifically, in inference, the model first generates candidate items via hierarchical semantic ID prediction, then performs the SIM-based ranking process to estimate the click possibility of corresponding item candidate continuously. Extensive experiments on large-scale real-world datasets demonstrate that our approach effectively bridges the gap between generative retrieval and ranking, achieving improved Top-K recommendation performance while maintaining strong generative capability.
• Abstract（参考訳）: 生成レコメンデータシステムは、最近、OneRecシリーズのような自動回帰型セマンティックID生成として、次のイテム予測を定式化することによって、有望なパラダイムとして登場した。 しかし、次の項目に依存しない予測パラダイムでは、セマンティックIDを介して次の候補項目を出力することができるが、どの項目が優れているかを見積もるのは困難である。 このギャップを埋めるために、単一のトランスフォーマーバックボーン内に候補生成とランキングを統合する統合された生成検索およびランキングフレームワークRecoChainを提案する。 具体的には、まず階層的セマンティックID予測により候補項目を生成し、次にSIMベースのランキング処理を行い、対応する項目候補のクリック可能性を連続的に推定する。 大規模実世界のデータセットに対する大規模な実験により、我々の手法は、生成検索とランキングのギャップを効果的に埋め、強力な生成能力を維持しつつ、Top-Kレコメンデーション性能の向上を実現していることが示された。

関連論文リスト

• From Local Indices to Global Identifiers: Generative Reranking for Recommender Systems via Global Action Space [50.72071213515985]
  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。
  論文  参考訳（メタデータ） (2026-04-28T06:57:00Z)
• 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)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)

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。