論文の概要: RAGR: Review-Augmented Generative Recommendation

• arxiv url: http://arxiv.org/abs/2605.17267v1
• Date: Sun, 17 May 2026 05:21:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.817529
• Title: RAGR: Review-Augmented Generative Recommendation
• Title（参考訳）: RAGR: レビュー強化ジェネレーティブレコメンデーション
• Authors: Yingyi Zhang, Junyi Li, Yejing Wang, Wenlin Zhang, Xiaowei Qian, Sheng Zhang, Yue Feng, Yichao Wang, Yong Liu, Xiangyu Zhao, Xianneng Li,
• Abstract要約: Review-Augmented Generative Recommendation (RAGR)は、レビューフィードバックを直接生成ユーザシーケンスに組み込む新しいGRフレームワークである。 RAGRは、すべてのメトリクスにわたる強力なGRバックボーンよりも一貫性があり、大きな利益をもたらす。
• 参考スコア（独自算出の注目度）: 61.29879991713178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation (SR) is traditionally formulated as next-item prediction over a chronological sequence of interacted items. Although recent generative recommendation (GR) methods introduce new machinery, such as semantic IDs, autoregressive decoding, and unified token spaces, they largely inherit the same item-only modeling assumption. We argue that this design constitutes a structural bottleneck, because user decision-making is not purely behavioral: while item interactions reveal what users choose, review feedback often explain why they choose it by exposing latent evaluative factors. Motivated by this observation, we propose Review-Augmented Generative Recommendation (RAGR), a novel GR framework that incorporates review feedback directly into the generative user sequence rather than treating reviews as auxiliary side information. Specifically, RAGR introduces a Review-Augmented User Sequence Modeling mechanism that interleaves item semantic IDs and review semantic IDs in chronological order to construct a mixed behavioral-semantic sequence, enabling review signals to participate directly in autoregressive next-token generation. To preserve the recommendation objective, we further introduce an Item-Centric Task Generation Alignment strategy based on direct preference optimization (DPO), which encourages the model to favor item tokens over review tokens at prediction positions. Experiments on three real-world datasets show that RAGR yields consistent and significant gains over strong GR backbones across all metrics. Our code and data are available at \url{https://github.com/Zhang-Yingyi/TKDE_RAGR}.
• Abstract（参考訳）: シークエンシャルレコメンデーション(SR)は伝統的に、相互作用した項目の時系列上での次点予測として定式化されている。 近年のジェネレーティブ・レコメンデーション (GR) 法では, セマンティックID, 自己回帰復号化, 統一トークン空間などの新しい機構が導入されているが, それらはほとんど同じアイテムのみのモデリング仮定を継承している。 項目間相互作用によってユーザが選択したものが明らかになる一方で、レビューフィードバックは、潜伏した評価要因を露呈することで、なぜ選択したのかをしばしば説明します。 本稿では,レビューを補助的な情報として扱うのではなく,レビューフィードバックを直接生成ユーザシーケンスに組み込む新しいGRフレームワークであるReview-Augmented Generative Recommendation (RAGR)を提案する。 具体的には、RAGRは、アイテムのセマンティックIDをインターリーブし、時間順にセマンティックIDをレビューし、混合行動・セマンティックシーケンスを構築するための、レビュー信号を直接自己回帰的次トーケン世代に参加できるようにする、レビュー拡張ユーザシーケンスモデリング機構を導入している。 さらに, 提案手法では, 直接選好最適化(DPO)に基づく項目中心タスク生成アライメント戦略を導入し, 予測位置でのレビュートークンよりも項目トークンを優先することを推奨する。 3つの実世界のデータセットの実験により、RAGRはすべてのメトリクスにわたる強力なGRバックボーンよりも一貫性があり、大きな利益をもたらすことが示された。 我々のコードとデータは \url{https://github.com/Zhang-Yingyi/TKDE_RAGR} で利用可能です。

関連論文リスト

• SimGR: Escaping the Pitfalls of Generative Decoding in LLM-based Recommendation [68.00727783181289]
  推薦システムの中核的な目的は、パーソナライズされたレコメンデーションを可能にするために、アイテムよりもユーザの好みの分布を正確にモデル化することである。 アイテムレベルの嗜好分布を推定する際に,既存の手法が必然的に系統的バイアスを生じさせることを観察する。 textbfSimply textbfGenerative textbfRecommendation (textbfSimGR)を提案する。
  論文  参考訳（メタデータ） (2026-02-08T07:26:52Z)
• Bringing Reasoning to Generative Recommendation Through the Lens of Cascaded Ranking [107.09842504618369]
  ジェネレーティブ・レコメンデーション(GR)は、資源効率の高いレコメンデーションのために、FLOPSの利用率の高いエンド・ツー・エンドのアプローチとして期待されている。 現在のGRモデルは,トークン生成が進むにつれてトークンレベルのバイアスがエスカレートする,重要なtextbfbias増幅問題に悩まされていることを示す。 バイアス増幅問題に対処するためには、GR to 1) がより異質な情報を導入し、2) トークン生成ステップごとにより大きな計算資源を割り当てることが重要である。
  論文  参考訳（メタデータ） (2026-02-03T16:10:54Z)
• 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)
• Act-With-Think: Chunk Auto-Regressive Modeling for Generative Recommendation [49.45822979879046]
  ジェネレーティブレコメンデーション(GR)は通常、アイテム情報の振る舞いや意味的な側面を離散トークンにエンコードする。 本稿では,Chunk AutoRegressive Modeling(CAR)について紹介する。
  論文  参考訳（メタデータ） (2025-06-30T09:13:54Z)
• GenRec: Generative Sequential Recommendation with Large Language Models [4.381277509913139]
  我々はGenerative Recommendation(GenRec)という新しいモデルを提案する。 GenRecは軽量で、低リソース環境で効果的にトレーニングするのに数時間しか必要としない。 我々の実験は、GenRecが様々な公開現実世界のデータセットを一般化することを実証した。
  論文  参考訳（メタデータ） (2024-07-30T20:58:36Z)
• Diffusion-based Contrastive Learning for Sequential Recommendation [6.3482831836623355]
  本稿では,CaDiRecという,文脈対応拡散に基づく逐次推薦のためのコントラスト学習を提案する。 CaDiRecは、コンテキスト対応拡散モデルを使用して、シーケンス内の所定の位置に対する代替アイテムを生成する。 フレームワーク全体をエンドツーエンドでトレーニングし、拡散モデルとレコメンデーションモデルの間でアイテムの埋め込みを共有します。
  論文  参考訳（メタデータ） (2024-05-15T14:20:37Z)

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。