論文の概要: Recommendation as Generation: Unifying Personalized Video Generation and Recommendation at Industrial Scale
- arxiv url: http://arxiv.org/abs/2606.25496v1
- Date: Wed, 24 Jun 2026 07:23:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.260362
- Title: Recommendation as Generation: Unifying Personalized Video Generation and Recommendation at Industrial Scale
- Title（参考訳）: 生成としての勧告:産業規模でパーソナライズされたビデオ生成とレコメンデーションを統一する
- Abstract要約: 本稿では,提案するRecommendation-as-Generation(RaG)を提案する。
我々のフレームワークは、共有セマンティックID(SID)を通じて生成レコメンデーションとビデオ生成を統一する。
私たちはRaGを4億人のデイリーアクティブユーザーを持つ産業規模のプラットフォームにデプロイし、収益クリティカルな広告シナリオで評価します。
- 参考スコア（独自算出の注目度）: 39.03125255049368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional short-video recommendation systems match user interest to a fixed pool of pre-produced videos, which limits their ability to capture fine-grained and dynamic preferences. We propose Recommendation-as-Generation (RaG), a new paradigm that generates personalized videos on demand from inferred user interest. Our framework unifies generative recommendation and video generation through shared semantic IDs (SIDs), which disentangle video representation into content semantics and creative style semantics, enabling both fine-grained modeling of user interest and controllable generation of interest-aligned videos. We further develop Video Generation Agents (VGAs) that are conditioned on inferred SIDs to drive hierarchical planning and refinement for video creation, including visual composition, audio alignment, and artistic effect enhancement. To optimize the framework, we effectively introduce a synergistic cross-domain reward learning mechanism that jointly enforces interest alignment, user feedback, and video quality assessment. We deploy RaG on an industrial-scale platform with over 400 million daily active users and evaluate it in a revenue-critical advertising scenario. Online A/B tests show up to 1.87% ad revenue improvement compared to a strong production GRM baseline, demonstrating its effectiveness in driving further revenue gains beyond generative recommendation. Our results highlight a closed-loop generative system as a promising paradigm for integrating personalized video generation into recommendation.
- Abstract（参考訳）: 従来のショートビデオレコメンデーションシステムは、ユーザーの興味を予め制作されたビデオのプールに合わせる。
本稿では,提案するRecommendation-as-Generation(RaG)を提案する。
本フレームワークは,映像表現をコンテンツセマンティクスと創造的スタイルセマンティクスに分解する共有セマンティクス(SID)を通じて生成的レコメンデーションと映像生成を統一し,ユーザ関心のきめ細やかなモデリングと、興味に合ったビデオ生成の制御を可能にする。
我々はさらに、視覚合成、オーディオアライメント、芸術効果向上を含む、ビデオ作成のための階層的計画と洗練を促進するために、推論されたSIDに条件付けされたビデオ生成エージェント(VGA)を開発する。
このフレームワークを最適化するために、利害関係、ユーザフィードバック、ビデオ品質評価を協調的に実施する相乗的クロスドメイン報酬学習機構を効果的に導入する。
私たちはRaGを4億人のデイリーアクティブユーザーを持つ産業規模のプラットフォームにデプロイし、収益クリティカルな広告シナリオで評価します。
オンラインA/Bテストは、強力なGRMベースラインに比べて1.87%の広告収益向上を示し、生成的推奨を超えて収益を上げる効果を実証している。
本結果は,パーソナライズされたビデオ生成をレコメンデーションに組み込むための,有望なパラダイムとして,クローズドループ生成システムを強調した。
関連論文リスト
- HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems [19.17988315151231]
本稿では,HGenPush と呼ばれるヘテロジニアスな生成レコメンデーションアーキテクチャを提案する。
HGenPushは、高品質なコンテンツと信頼できる著者に対するユーザの要求を同時に満たす。
我々は,大規模なショートビデオプラットフォームであるKuaishouのプッシュ通知システムにHGenPushをデプロイした。
論文 参考訳（メタデータ） (2026-07-03T14:18:19Z) - Inference-based GAN Video Generation [47.53991869205973]
可変エンコーダを用いた対向型非条件ビデオジェネレータの実現により,新しいタイプのビデオジェネレータを提案する。
既存のモデルは、生成されたビデオの時間的スケーリングに苦労する。
私たちは、数百から数千のフレームからなる長いビデオを生成するために、新しい、メモリ効率のアプローチを採用しています。
論文 参考訳（メタデータ） (2025-12-25T20:14:38Z) - Diverse Video Generation with Determinantal Point Process-Guided Policy Optimization [11.413630896037576]
多様なビデオ生成のための新しいフレームワークであるDPP-GRPOを紹介する。
我々のフレームワークはプラグアンドプレイとモデル非依存であり、視覚的外観、カメラモーション、シーン構造など様々な世代にまたがる。
VBench, VideoScore, 人選好研究などの最先端のベンチマークでは, 映像の多様性が常に向上していることが示されている。
論文 参考訳（メタデータ） (2025-11-25T18:59:45Z) - Communicative Agents for Slideshow Storytelling Video Generation based on LLMs [4.389263274945811]
Video-Generation-Team (VGTeam) は、ビデオ生成パイプラインを再定義する新しいスライドショービデオ生成システムである。
従来のビデオ制作のシーケンシャルステージをエミュレートすることで、VGTeamは効率性とスケーラビリティの両方において顕著な改善を実現している。
平均してビデオは0.103ドル、生成率は98.4%である。
論文 参考訳（メタデータ） (2025-09-01T09:04:07Z) - Controllable Video Generation: A Survey [72.38313362192784]
本稿では、制御可能なビデオ生成の体系的レビューを行い、理論的基礎と最近の現場の進歩の両方について述べる。
まず、主要な概念を導入し、一般的に使われているオープンソースビデオ生成モデルを紹介します。
次に、映像拡散モデルにおける制御機構に着目し、生成を誘導する認知過程に異なる種類の条件を組み込む方法について分析する。
論文 参考訳（メタデータ） (2025-07-22T06:05:34Z) - Short Video Segment-level User Dynamic Interests Modeling in Personalized Recommendation [23.082810471266235]
短いビデオの成長は、進化する好みに合わせてユーザーとコンテンツをマッチングする効果的なレコメンデーションシステムを必要としている。
現在のビデオレコメンデーションモデルは、主に各ビデオ全体を扱い、特定のビデオセグメントでユーザーの好みの動的な性質を見渡す。
本稿では,ハイブリッド表現モジュール,マルチモーダルなユーザビデオエンコーダ,セグメント関心デコーダを統合した革新的なモデルを提案する。
論文 参考訳（メタデータ） (2025-04-05T17:45:32Z) - Enhance-A-Video: Better Generated Video for Free [57.620595159855064]
本稿では,DiTをベースとしたビデオのコヒーレンスと品質を高めるためのトレーニング不要な手法を提案する。
我々のアプローチは、リトレーニングや微調整なしに、ほとんどのDiTベースのビデオ生成フレームワークに容易に適用できる。
論文 参考訳（メタデータ） (2025-02-11T12:22:35Z) - VideoRAG: Retrieval-Augmented Generation with Extreme Long-Context Videos [25.770675590118547]
VideoRAGは、非常に長いコンテキストのビデオの処理と理解に特化して設計された最初の検索拡張生成フレームワークである。
我々の中心となる革新は、(i)グラフベースのテキスト知識をシームレスに統合し、(ii)視覚的特徴を効率的に保存するマルチモーダルコンテキストエンコーディングである。
論文 参考訳（メタデータ） (2025-02-03T17:30:19Z) - Improving Video Generation with Human Feedback [105.81833319891537]
我々は,人間のフィードバックを利用して映像生成問題を緩和するシステムパイプラインを開発した。
我々は,多次元ビデオ報酬モデルであるVideoRewardを紹介し,アノテーションと様々なデザイン選択が報奨効果に与える影響について検討する。
論文 参考訳（メタデータ） (2025-01-23T18:55:41Z) - Enhancing Sequential Recommender with Large Language Models for Joint Video and Comment Recommendation [77.42486522565295]
我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。
提案手法は,逐次レコメンデーション(SR)モデルと補足型大言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。
特に、コメント視聴時間の累積増加率は4.13%に達した。
論文 参考訳（メタデータ） (2024-03-20T13:14:29Z) - Seeing and Hearing: Open-domain Visual-Audio Generation with Diffusion
Latent Aligners [69.70590867769408]
ビデオとオーディオのコンテンツ制作は、映画産業とプロのユーザーにとって重要な技術である。
既存の拡散に基づく手法は、ビデオと音声を別々に生成する。
本研究では,このギャップを埋めることを目的として,クロス・ビジュアル・オーディオとジョイント・ヴィジュアル・オーディオ生成のためのフレームワークを慎重に設計した。
論文 参考訳（メタデータ） (2024-02-27T17:57:04Z)
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。