論文の概要: How Reliable Are Semantic-ID Tokenizer Comparisons in Generative Recommendation?

• arxiv url: http://arxiv.org/abs/2605.25330v1
• Date: Mon, 25 May 2026 01:22:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.230098
• Title: How Reliable Are Semantic-ID Tokenizer Comparisons in Generative Recommendation?
• Title（参考訳）: ジェネレーティブレコメンデーションにおけるセマンティックIDトケナイザーの比較はどの程度信頼性が高いか?
• Authors: Qian Zhang, Lech Szymanski, Haibo Zhang, Jeremiah D. Deng,
• Abstract要約: 生成レコメンデーションでは、各項目を離散コードのシーケンスとして表現し、自己回帰モデルを訓練して次の項目のSIDシーケンスを生成する。 この評価プロトコルは、SIDレベルのマッチングとアイテムレベルのレコメンデーションとを等価とし、各SIDシーケンスが1つのアイテムにマップされたときにのみ保持される同値である。 トークンーはアイテムの特徴をコード空間に圧縮するので、意味的に類似しているが協調的に異なるアイテムは、しばしば同じSIDシーケンスに割り当てられる。
• 参考スコア（独自算出の注目度）: 3.9133310867939177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Semantic-ID (SID) based generative recommendation, each item is represented as a sequence of discrete codes, and an autoregressive model is trained to generate the SID sequence of the next item; top-K performance is then measured by checking whether the SID sequence of the target item appears among the generated sequences. This evaluation protocol equates SID-level matching with item-level recommendation, an equivalence that holds only when every SID sequence maps to a single item. We show this assumption breaks down in practice: because tokenizers compress item features into a code space, semantically similar but collaboratively distinct items are frequently assigned the same SID sequence. Across four datasets and five representative tokenizers, the fraction of items involved in such collisions reaches 30.5%, so matching a shared SID sequence identifies only a collision group rather than the target item. Consequently, SID-level metrics overestimate item-level performance (Hit@10 is inflated by up to 103.36%), and the inflation grows with the collision rate. To support faithful comparison, we develop collision-aware item-level metrics computed directly from generated SID sequences, together with a post-tokenizer procedure that reassigns last-level SIDs at minimum cost to obtain a collision-free assignment for any existing tokenizer. Our results indicate that SID-level rankings in prior work should be interpreted with caution, and that reliable tokenizer evaluation requires either item-level correction or collision-free SID assignments.
• Abstract（参考訳）: セマンティックID(SID)ベースの生成レコメンデーションでは、各項目を離散コードのシーケンスとして表現し、自己回帰モデルを訓練して次の項目のSIDシーケンスを生成する。 この評価プロトコルは、SIDレベルのマッチングとアイテムレベルのレコメンデーションとを等価とし、各SIDシーケンスが1つのアイテムにマップされたときにのみ保持される同値である。 トークンエーザはアイテムの特徴をコード空間に圧縮するので、意味的に類似しているが協調的に異なるアイテムは、しばしば同じSIDシーケンスに割り当てられる。 4つのデータセットと5つの代表的なトークンーザのうち、そのような衝突に関わる項目の比率は30.5%に達し、共有されたSIDシーケンスと一致させることで、対象アイテムよりも衝突グループのみを特定する。 その結果、SIDレベルの指標がアイテムレベルのパフォーマンスを過大評価し(Hit@10は最大103.36%まで膨らませる)、衝突速度とともにインフレーションが増加する。 忠実な比較を支援するため、生成したSIDシーケンスから直接計算される衝突対応アイテムレベルメトリクスと、最終レベルのSIDを最小コストで再割り当てして既存のトークンの衝突のない割り当てを得るポストトケナイザ手順を開発する。 以上の結果から,先行作業におけるSIDレベルのランク付けには注意を要すること,信頼性の高いトークン化器の評価には項目レベルの修正や衝突のないSID割り当てが必要であることが示唆された。

関連論文リスト

• 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)
• Conditional Memory Enhanced Item Representation for Generative Recommendation [46.59623438612085]
  ジェネレーティブレコメンデーション(GR)は,セマンティック識別子(SID)の自動生成によって対象項目を予測する,有望なパラダイムとして登場した。 ほとんどのGRメソッドは量子化表現生成パイプラインに従い、まず各項目にSIDを割り当て、次にSID-token埋め込みから入力表現を構築し、最後に自動回帰生成によってターゲットのSIDを予測する。 コンディショナルメモリ拡張アイテム表現フレームワークであるCometIRを提案する。このフレームワークは、アイテム認識入力へのSIDトークンの埋め込みを再構築し、SID復号時にトークンの粒度を復元する。
  論文  参考訳（メタデータ） (2026-05-12T02:56:59Z)
• UniRec: Bridging the Expressive Gap between Generative and Discriminative Recommendation via Chain-of-Attribute [12.89120699793625]
  Generative Recommendation (GR) reframes search and ranking as autoregressive decoding over Semantic IDs (SIDs) 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。 提案するUniRecとChain-of-Attribute(CoA)は、その中核となるメカニズムである。CoAは、SIDを復号する前に構造化属性トークン: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、識別モデルが活用するアイテム側の特徴交差を復元する。
  論文  参考訳（メタデータ） (2026-04-14T03:13:50Z)
• 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)
• Differentiable Semantic ID for Generative Recommendation [65.83703273297492]
  生成的推薦は、各項目がリッチコンテンツから学習された個別意味ID(SID)によって表現される新しいパラダイムを提供する。 実際には、SIDはレコメンデーションの正確さよりもコンテンツ再構成に最適化されるのが一般的である。 自然なアプローチは、セマンティックインデックスを差別化して、レコメンデーショングラデーションが直接SID学習に影響を与えるようにすることだ。 本稿では,ジェネレーティブレコメンデーションのための効果的な識別可能なセマンティックIDに向けた第一歩として,DIGERを提案する。
  論文  参考訳（メタデータ） (2026-01-27T15:34:11Z)
• 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)
• 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)

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。