論文の概要: Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2606.20554v1
• Date: Thu, 18 Jun 2026 17:58:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:40.051659
• Title: Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation
• Title（参考訳）: 生成レコメンデーションのための分散型ユーザ関心コンテキストの構築と学習
• Authors: Ruizhong Qiu, Yinglong Xia, Dongqi Fu, Hanqing Zeng, Ren Chen, Xiangjun Fan, Hong Li, Hong Yan, Hanghang Tong,
• Abstract要約: ジェネレーティブレコメンデーションは、産業レコメンデーションシステムにおける約束を示す新興パラダイムである。 既存の手法は、複雑なユーザビヘイビアとアイテムセマンティックのコンテキストを同時にレコメンデーションモデルに注入するのに苦労することが多い。 本稿では,G2Recを提案する。G2Recは,汎用的なグラフベースユーザ統合モデリングとセマンティックトークン化を一体化して,産業規模の生成レコメンデーションを実現するスケーラブルなフレームワークである。
• 参考スコア（独自算出の注目度）: 60.03046892817763
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generative recommendation is an emerging paradigm that has shown promise in industrial recommendation systems, aiming to predict users' next interactions from their historical behaviors. At the core of generative recommendation lies item tokenization, which bridges item semantics and recommendation models. However, existing methods often struggle to effectively organize and inject complex user-behavioral and item-semantic contexts into recommendation models simultaneously. On the one hand, existing graph-based integration methods, such as graph serialization and graph neural networks, either suffer from scalability issues or exploit only local graph information. On the other hand, existing semantic tokenization methods typically rely on heuristics and lack explicit supervision signals, which may lead to inaccurate or suboptimal semantic representations. To address these limitations in user interest context modeling, we propose G2Rec, a scalable framework that unifies holistic graph-based user co-engagement modeling with semantic tokenization for industrial-scale generative recommendation. Overall, G2Rec enables recommendation models to capture holistic and semantically grounded user interest prototypes without requiring ground-truth user interests, thereby providing more comprehensive and accurate modeling of user behavior contexts in industrial sequential recommendation. Online deployment across product surfaces and extensive experiments on public datasets demonstrate the superiority of G2Rec over existing methods.
• Abstract（参考訳）: ジェネレーティブレコメンデーション(Generative Recommation)は,産業レコメンデーションシステムにおいて,過去の行動からユーザの次のインタラクションを予測することを目的とした,新たなパラダイムである。 生成レコメンデーションの中核はアイテムトークン化であり、アイテムセマンティクスとレコメンデーションモデルをブリッジする。 しかし、既存の手法は、複雑なユーザ・ビヘイビアとアイテム・セマンティックのコンテキストを同時にレコメンデーションモデルに編成し、注入するのに苦労することが多い。 一方、グラフシリアライゼーションやグラフニューラルネットワークのようなグラフベースの既存の統合手法は、スケーラビリティの問題に悩まされるか、ローカルグラフ情報のみを利用するかのいずれかである。 一方、既存のセマンティック・トークン化法は通常ヒューリスティックスに依存しており、明示的な監視信号が欠如しているため、不正確なあるいは準最適セマンティック表現につながる可能性がある。 ユーザ関心コンテキストモデリングにおけるこれらの制限に対処するため,G2Recを提案する。G2Recは,汎用グラフベースのユーザ統合モデリングとセマンティックトークン化を融合して,産業規模の生成レコメンデーションを実現する,スケーラブルなフレームワークである。 全体として、G2Recは、基本的かつセマンティックに根ざしたユーザ関心のプロトタイプを、基幹的なユーザ関心を必要とせずにキャプチャし、工業的シーケンシャルなレコメンデーションにおいて、より包括的で正確なユーザ行動コンテキストのモデリングを可能にする。 製品表面へのオンラインデプロイメントと、公開データセットに関する広範な実験は、既存の方法よりもG2Recの方が優れていることを示している。

関連論文リスト

• Towards Distribution Matching between Collaborative and Language Spaces for Generative Recommendation [38.4884627838639]
  ジェネレーティブレコメンデーションは、ユーザのためのレコメンデーションを生成するために、アイテムセット全体を通して、基礎となるジェネレーティブプロセスを学ぶことを目的としている。 本研究ではDMRecと呼ばれるモデルに依存しない生成レコメンデーションフレームワークを提案し,ユーザインタラクションによってLMの出力をブリッジする確率的メタネットワークを提案する。
  論文  参考訳（メタデータ） (2025-04-10T01:09:30Z)
• SymCERE: Symmetric Contrastive Learning for Robust Review-Enhanced Recommendation [2.087411180679868]
  提案するSymCEREは,提案する偽陰性に対処するコントラスト学習手法である。 3つのプラットフォームからの15のデータセットの実験では、SymCEREがいくつかの強力なベースラインを上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-04-03T00:40:09Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
  自己監督型ハイパーグラフ変換器(SHT) 自己監督型ハイパーグラフ変換器(SHT) ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
  論文  参考訳（メタデータ） (2022-07-28T18:40:30Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)

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。