論文の概要: Beyond Item Order: Temporal Gap Tokenization for Generative Recommendation with Semantic IDs

• arxiv url: http://arxiv.org/abs/2607.03918v1
• Date: Sat, 04 Jul 2026 15:22:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.762796
• Title: Beyond Item Order: Temporal Gap Tokenization for Generative Recommendation with Semantic IDs
• Title（参考訳）: 項目順を超えて:意味的IDを用いた生成的推薦のための時間的ギャップトークン化
• Abstract要約: ChronoSIDは、セマンティックジェネレーティブレコメンデーションのための軽量な時間拡張フレームワークである。 我々は、歴史的相互作用間隔を固定されたログスケールギャップトークンに識別し、セマンティックIDトークンでそれらをインターリーブする。 Amazonベンチマークの実験によると、ChronoSIDは、ReSIDや他の競合生成推奨ベースラインよりも一貫して改善されている。
• 参考スコア（独自算出の注目度）: 22.518121739900284
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Semantic-ID-based generative recommendation has recently emerged as a scalable paradigm for sequential recommendation, where each item is represented by a compact sequence of discrete codes and next-item prediction is formulated as code generation. Existing methods, however, typically construct user histories as sequences of static item identifiers, leaving the elapsed time between consecutive interactions outside the generative input. This temporal blindness is problematic because inter-interaction gaps provide useful cues about interest continuity and preference drift. In this paper, we propose ChronoSID, a lightweight temporal augmentation framework for semantic-ID-based generative recommendation. ChronoSID injects temporal signals into the standard three-stage semantic-ID pipeline from two complementary perspectives. First, we introduce Time-Aware Field-Aware Masked Auto-Encoding (TA-FAMAE), which regularizes item representation learning with an auxiliary time-gap prediction objective. Second, we discretize historical interaction intervals into fixed log-scale gap tokens and interleave them with semantic ID tuples as the encoder input of the sequence-to sequence generator. This design preserves the compact SID generation paradigm while enabling the model to capture time-aware transition patterns. Experiments on Amazon review benchmarks show that ChronoSID consistently improves over ReSID and other competitive generative recommendation baselines. Ablation studies further verify the contribution of both temporal components, and diagnostic analyses show clearer gains under long-gap scenarios where user interests are more likely to drift.
• Abstract（参考訳）: セマンティックIDベースの生成レコメンデーションは、最近、シーケンシャルレコメンデーションのためのスケーラブルなパラダイムとして登場し、各項目は離散コードのコンパクトなシーケンスで表現され、次のイテム予測はコード生成として定式化されている。 しかし、既存の手法では、ユーザ履歴を静的なアイテム識別子のシーケンスとして構築し、生成入力の外に連続的なインタラクション間の経過時間を残すのが一般的である。 相互作用間のギャップは、関心の連続性と嗜好の漂流に関する有用な手がかりをもたらすため、この時間的盲目は問題となる。 本稿では,ChronoSIDを提案する。 ChronoSIDは2つの相補的な視点から標準的な3段階のセマンティックIDパイプラインに時間的信号を注入する。 まず,時系列自動符号化(TA-FAMAE)を導入し,アイテム表現学習を補助的な時間ギャップ予測目標で正規化する。 第2に、歴史的相互作用間隔を固定対数スケールのギャップトークンに識別し、シーケンシャル・ツー・シーケンシャル・ジェネレータのエンコーダ入力としてセマンティックIDタプルでインターリーブする。 この設計は、モデルがタイムアウェアな遷移パターンをキャプチャし、コンパクトなSID生成パラダイムを保存する。 Amazonのレビューベンチマークの実験では、ChronoSIDはReSIDや他の競争力のあるジェネレーティブレコメンデーションベースラインよりも一貫して改善されている。 アブレーション研究は、双方の時間的要素の寄与をさらに検証し、診断分析により、ユーザの関心が漂流しやすい長期的シナリオにおいて、より明確な利得が示される。

関連論文リスト

• Preference-Drift-Aware Subsequence Learning and Hierarchical Context Fusion for Long-Sequence Generative Recommendation [20.33597628832828]
  時系列生成レコメンデーション手法は、ユーザのインタラクションシーケンスを自己回帰的にモデル化し、次のitem表現を生成する。 既存の手法は、効率的なフルシーケンスモデリングとターゲット認識コンテキスト検索の2つのカテゴリに分類される。 提案手法は,長文生成推薦のための優先区切り型サブシーケンス学習と階層型コンテキスト融合である。
  論文  参考訳（メタデータ） (2026-09-11T08:01:29Z)
• Decoupled Temporal Encoding for Generative Recommendation [6.5465081246859915]
  位置符号化はトランスフォーマーベースの生成レコメンデーションモデルの基本コンポーネントである。 私たちの仕事は、現実のフードデリバリーとインスタント小売レコメンデーションシステムによって動機付けられています。 生成的推薦のための軽量なフレームワークであるDecoupled Temporalを提案する。
  論文  参考訳（メタデータ） (2026-08-17T08:47:21Z)
• ChronoID: Infusing Explicit Temporal Signals into Semantic IDs for Generative Recommendation [44.412346636470325]
  生成的推薦のためのセマンティックIDに明示的な時間をどのように組み込むべきかについて検討する。 時間認識型セマンティックID学習のための統合フレームワークChronoIDを提案する。 ChronoIDは、新しい時間要求生成レコメンデーションベンチマークの提供によって、効率的な時間の方法、アーキテクチャの設計方法、そこから得られるメリット、という疑問に答える。
  論文  参考訳（メタデータ） (2026-06-12T08:45:04Z)
• RAGR: Review-Augmented Generative Recommendation [61.29879991713178]
  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。
  論文  参考訳（メタデータ） (2026-05-17T05:21:23Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• GLASS: A Generative Recommender for Long-sequence Modeling via SID-Tier and Semantic Search [51.44490997013772]
  GLASSは、SID-TierとSemantic Searchを通じて、長期的なユーザ関心を生成プロセスに統合する新しいフレームワークである。 GLASSは2つの大規模実世界のデータセットの実験において最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-05T13:48:33Z)
• 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)
• Learning Sequence Descriptor based on Spatio-Temporal Attention for Visual Place Recognition [16.380948630155476]
  ビジュアルプレース認識(VPR)は、クエリフレームと同じ場所に位置するタグ付きデータベースからフレームを取得することを目的としている。 ジオリーエイリアスシナリオにおけるVPRのロバスト性を改善するために,シーケンスベースのVPR手法を提案する。 我々はスライディングウィンドウを用いて時間的注意範囲を制御し、相対的な位置エンコーディングを用いて異なる特徴間の逐次的関係を構築する。
  論文  参考訳（メタデータ） (2023-05-19T06:39:10Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)

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。