論文の概要: OneFeed: A Unified Generative Framework for Feed Content Enhancement and Query Generation

• arxiv url: http://arxiv.org/abs/2606.07972v2
• Date: Sun, 14 Jun 2026 08:16:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:04.797203
• Title: OneFeed: A Unified Generative Framework for Feed Content Enhancement and Query Generation
• Title（参考訳）: OneFeed: フィードコンテンツの強化とクエリ生成のための統一された生成フレームワーク
• Authors: Guo Xun,
• Abstract要約: OneFeedはフィードコンテンツ拡張とクエリ生成をモデリングするための統合生成フレームワークである。 OneFeedは異種ユーザ行動シーケンスを共有振る舞いエンコーダでエンコードする。 OneFeedはコンテンツセマンティックIDとクエリ表現のための共有セマンティックスペースを学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern feed recommendation and search systems are deeply connected in user behavior but are usually modeled by separate architectures. Feed recommendation mainly captures implicit interests from browsing interactions, while search systems rely on explicit user queries to retrieve intent-matched content. This separation causes fragmented user understanding and missed opportunities for using feed interactions to improve query generation and using generated queries to enhance feed candidate retrieval. In this paper, we propose OneFeed, a unified generative framework for jointly modeling feed content enhancement and query generation. OneFeed encodes heterogeneous user behavior sequences with a shared behavior encoder and employs two generative heads: a Feed Semantic ID Generator that produces content semantic IDs for recommendation retrieval, and an Intent Query Generator that produces natural-language queries for search-based candidate expansion. To bridge the semantic gap between recommendation content and search queries, we introduce a SID-Query alignment objective that learns a shared semantic space for content semantic IDs and query representations. We further design a closed-loop self-enhancement paradigm that leverages implicit user feedback from generated content and search-retrieved results to improve both generation tasks. We report measured offline replay results on public datasets (MovieLens-1M and Amazon Reviews) under a torch-free prototype, alongside a detailed experimental protocol, a comprehensive set of evaluation metrics, and an analysis of where the unified framework helps and where gains await learned semantic IDs and query generators. OneFeed provides a practical and extensible direction for unifying search and recommendation through generative modeling.
• Abstract（参考訳）: 現代のフィードレコメンデーションと検索システムはユーザー行動に深く結びついているが、通常は別のアーキテクチャでモデル化されている。 フィードレコメンデーションは、主にブラウジングインタラクションからの暗黙の関心を捉え、検索システムは意図にマッチしたコンテンツを取得するために明示的なユーザークエリに依存する。 この分離により、断片化されたユーザ理解と、フィードインタラクションを使用してクエリ生成を改善し、生成されたクエリを使用してフィード候補検索を強化する機会が欠落する。 本稿では,フィードコンテンツ拡張とクエリ生成を共同でモデル化する統合生成フレームワークであるOneFeedを提案する。 OneFeedは、共有行動エンコーダで異種ユーザ行動シーケンスをエンコードし、2つの生成ヘッドを使用する: 推薦検索用のコンテンツセマンティックIDを生成するフィードセマンティックIDジェネレータと、検索ベースの候補拡張のための自然言語クエリを生成するインテントクエリジェネレータである。 本稿では,レコメンデーションコンテンツと検索クエリ間のセマンティックギャップを埋めるために,コンテンツセマンティックIDとクエリ表現のための共有セマンティック空間を学習するSID-Queryアライメントの目的を導入する。 さらに、生成したコンテンツからの暗黙的なユーザフィードバックと検索結果を利用して、両方の生成タスクを改善するクローズドループ自己改善パラダイムを設計する。 我々は、詳細な実験プロトコル、総合的な評価指標、そして統一されたフレームワークがどの場所に役立つのか、学習したセマンティックIDとクエリジェネレータがどこから来るのかの分析とともに、トーチフリーのプロトタイプの下で、パブリックデータセット(MovieLens-1MとAmazon Reviews)のオフライン再生結果を報告した。 OneFeedは、生成モデリングを通じて検索とレコメンデーションを統合するための実用的で拡張可能な方向を提供する。

関連論文リスト

• GrepSeek: Training Search Agents for Direct Corpus Interaction [66.69568141699311]
  GrepSeekは、コンパクトな検索エージェントを訓練し、大きなテキストコーパスから証拠を見つけ、フィルタリングし、構成する、最適化された直接コーパスインタラクション(DCI)検索エージェントである。 DCIを大規模に実用化するためには、シェルコマンドのシーケンシャルな実行とバイトエクササイズ等価性を保ちながら、シェルベースの検索を最大7.6タイムで高速化するセマンティックス保存のシャード並列実行エンジンを使用する。
  論文  参考訳（メタデータ） (2026-05-28T03:37:33Z)
• UniSearch: Rethinking Search System with a Unified Generative Architecture [20.448690421956023]
  UniSearchはKuaishou Searchのための統合された生成検索フレームワークである。 UniSearchは、カスケードパイプラインを、検索ジェネレータとビデオジェネレータを統合するエンドツーエンドアーキテクチャに置き換える。 産業規模のデータセットに関する大規模な実験と、短いビデオとライブ検索のシナリオにおけるオンラインA/Bテストは、UniSearchの強力な有効性とデプロイメントの可能性を示している。
  論文  参考訳（メタデータ） (2025-09-08T17:08:26Z)
• DOGR: Leveraging Document-Oriented Contrastive Learning in Generative Retrieval [10.770281363775148]
  生成検索における文書指向コントラスト学習(DOGR)の活用という,新規で汎用的な生成検索フレームワークを提案する。 クエリとドキュメントの関係を,直接的なインタラクションを通じて包括的にキャプチャする,2段階の学習戦略を採用している。 意味表現の学習を促進するために、否定的サンプリング手法とそれに対応するコントラスト学習目的を実装した。
  論文  参考訳（メタデータ） (2025-02-11T03:25:42Z)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• 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)
• Generative Retrieval as Multi-Vector Dense Retrieval [71.75503049199897]
  生成検索は、文書の識別子をエンドツーエンドで生成する。 それまでの研究は、原子識別子による生成的検索が単一ベクトル密度検索と等価であることを示した。 生成的検索と多ベクトル高密度検索は,文書の問合せに対する関連性を測定するのと同じ枠組みを共有していることを示す。
  論文  参考訳（メタデータ） (2024-03-31T13:29:43Z)
• 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)

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。