論文の概要: UniSGR: Unified Framework for Semantic ID Generation and Ranking

• arxiv url: http://arxiv.org/abs/2607.04068v1
• Date: Sun, 05 Jul 2026 01:00:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.810866
• Title: UniSGR: Unified Framework for Semantic ID Generation and Ranking
• Title（参考訳）: UniSGR: セマンティックID生成とランキングのための統一フレームワーク
• Abstract要約: セマンティックID生成とランク付けのための統一フレームワークUniSGRを提案する。 UniSGRは2段階のトレーニングパラダイムを採用しており、混在するビジネスシナリオデータから学習するマルチシナリオ事前トレーニングステージと、シナリオ固有のアライメントステージである。 本稿では,Funnel-Aware Contrastive Learningによって指導されたタスク・アウェア・トークン(TAT)について紹介する。
• 参考スコア（独自算出の注目度）: 10.669319896315962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommendation systems play a pivotal role in modern e-commerce platforms. While generative retrieval has emerged as a promising paradigm for alleviating the limitations of multi-stage cascade architectures, existing methods still struggle with fine-grained multi-objective ranking. To bridge this gap, we propose UniSGR, a Unified framework for Semantic ID Generation and Ranking. UniSGR adopts a two-stage training paradigm: a multi-scenario pre-training stage that learns from mixed business-scenario data, followed by a scenario-specific alignment stage that jointly optimizes Value-Aware Parallel Multi-Token Prediction (VA-PMTP) and a unified multi-objective ranking module. To better align generation with downstream ranking, we introduce Task-Aware Tokens (TAT) guided by Funnel-Aware Contrastive Learning. Furthermore, we propose Semantic Tree Attention with Reorganized KV cache (STARK), an inference strategy that removes key efficiency bottlenecks in conventional beam search. Extensive offline experiments on a large-scale e-commerce platform demonstrate the effectiveness and scalability of UniSGR.
• Abstract（参考訳）: 現代のeコマースプラットフォームでは、レコメンデーションシステムは重要な役割を担っている。 生成的検索は多段階カスケードアーキテクチャの限界を緩和するための有望なパラダイムとして現れてきたが、既存の手法は細粒度の多目的ランキングに苦慮している。 このギャップを埋めるために、セマンティックID生成とランク付けのための統一フレームワークUniSGRを提案する。 UniSGRは2段階のトレーニングパラダイムを採用しており、混成ビジネスシナリオデータから学習するマルチシナリオ事前トレーニングステージと、バリュー・アウェア・パラレル・マルチトークン予測(VA-PMTP)と統合マルチオブジェクトランキングモジュールを共同で最適化するシナリオ固有のアライメントステージである。 本稿では,Funnel-Aware Contrastive Learningによって指導されたタスク・アウェア・トークン(TAT)について紹介する。 さらに,従来のビームサーチにおいて重要な効率ボトルネックを除去する推論手法として,再編成KVキャッシュを用いたセマンティックツリーアテンション(STARK)を提案する。 大規模なeコマースプラットフォーム上での大規模なオフライン実験は、UniSGRの有効性とスケーラビリティを示している。

関連論文リスト

• Empowering Cross-Domain Sequential Recommendation with Hybrid Tokenization and Serial-Parallel Decoding [63.74998371740272]
  クロスドメインシーケンシャルレコメンデーション(CDSR)は、ユーザの動的関心遷移と複数のドメインにわたるシーケンシャルパターンをモデル化することを目的としている。 我々は,CDSRの効率的かつ効率的な生成フレームワークであるGenCDSRを提案する。 我々は、GenCDSRが、最先端のベースラインと比較して平均精度を1.5パーセント向上し、平均推論遅延を85.1%削減したことを示す。
  論文  参考訳（メタデータ） (2026-07-21T08:01:15Z)
• Semantic Generative Tuning for Unified Multimodal Models [62.18894352635965]
  統一マルチモーダルモデル(UMM)は、単一のアーキテクチャ内で視覚的理解と視覚的生成を統合する。 訓練パラダイムは 独立して テキスト信号を通して 理解を最適化する 密集したピクセルの目的を通して 生成する 本研究は,UMMの分離を橋渡しするための生成プロキシとして階層的視覚タスクを定式化する,生成後学習に関する最初の体系的な研究である。
  論文  参考訳（メタデータ） (2026-05-18T17:46:46Z)
• PivotMerge: Bridging Heterogeneous Multimodal Pre-training via Post-Alignment Model Merging [80.17966517536102]
  マルチモーダル大規模言語モデルの事前学習の核心は、効果的なクロスモーダルアライメントの確立にあると論じる。 この知見に触発されて,マルチモーダル事前学習から学んだクロスモーダルアライメント機能を統合することを目的とした,アライメント後のマージタスクを導入する。 クロスモーダルプロジェクタのためのアライメント後マージフレームワークであるPivotMergeを提案する。
  論文  参考訳（メタデータ） (2026-04-18T09:38:03Z)
• MBGR: Multi-Business Prediction for Generative Recommendation at Meituan [9.019241944784971]
  マルチビジネスシナリオに適した最初のGRフレームワークであるMBGR(Multi-Business Generative Recommendation)を提案する。 まず、ドメイン認識トークン化によるセマンティックな整合性を維持するBusiness-Aware semantic ID (BID) モジュールを設計する。 次に、ビジネス固有の予測機能を提供するために、マルチビジネス予測(MBP)構造を導入する。
  論文  参考訳（メタデータ） (2026-04-03T03:26:36Z)
• From Sparse Decisions to Dense Reasoning: A Multi-attribute Trajectory Paradigm for Multimodal Moderation [59.27094165576015]
  疎度な意思決定から高密度な推論トレースへ移行する新しい学習パラダイム(UniMod)を提案する。 モノリシックな意思決定タスクを多次元境界学習プロセスに再構成し,エビデンス,モダリティ評価,リスクマッピング,政策決定,応答生成を含む構造化軌道を構築する。 タスク固有のパラメータを分離し、トレーニングダイナミクスを再バランスさせ、マルチタスク学習における多様な目的間の干渉を効果的に解消する、特別な最適化戦略を導入する。
  論文  参考訳（メタデータ） (2026-01-28T09:29:40Z)
• Co-GRPO: Co-Optimized Group Relative Policy Optimization for Masked Diffusion Model [74.99242687133408]
  Masked Diffusion Models (MDMs) は、視覚、言語、モーダル・ジェネレーションにまたがる有望な可能性を示している。 本稿では,MDM生成をMDP(Markov Decision Process)として再構成し,モデルと推論スケジュールを併用するCo-GRPOを提案する。
  論文  参考訳（メタデータ） (2025-12-25T12:06:04Z)
• Multi-Aspect Cross-modal Quantization for Generative Recommendation [27.92632297542123]
  生成レコメンデーション(MACRec)のための多視点クロスモーダル量子化を提案する。 まず、ID学習過程において、競合率を効果的に低減するクロスモーダル量子化を導入する。 また、暗黙のアライメントや明示的なアライメントを含むマルチアスペクトのクロスモーダルアライメントも組み込んでいます。
  論文  参考訳（メタデータ） (2025-11-19T04:55:14Z)
• MAGE: Multimodal Alignment and Generation Enhancement via Bridging Visual and Semantic Spaces [23.447713697204225]
  MAGEは、革新的なアライメント機構を通じて視覚とテキストの意味空間をブリッジする新しいフレームワークである。 我々は、クロスエントロピーと平均二乗誤差を組み合わせたトレーニング戦略を採用し、アライメント効果を著しく向上させる。 提案するマルチモーダル大規模モデルアーキテクチャであるMAGEは,様々な評価ベンチマークにおける類似の手法と比較して,性能が大幅に向上した。
  論文  参考訳（メタデータ） (2025-07-29T12:17:46Z)
• Universal Retrieval for Multimodal Trajectory Modeling [12.160448446091607]
  軌道データは、AIエージェント能力を向上する大きな可能性を秘めている。 本稿では,ユニバーサル検索とエージェント中心軌道モデリングのギャップを埋めるマルチモーダル軌道検索手法を提案する。
  論文  参考訳（メタデータ） (2025-06-27T09:50:38Z)
• MisoDICE: Multi-Agent Imitation from Unlabeled Mixed-Quality Demonstrations [5.4482836906033585]
  実演が混在する多エージェント環境下でのオフライン模倣学習(IL)について検討した。 提案手法は,軌道ラベリングとマルチエージェント模倣学習の2段階からなる。 我々はこれらのラベルを利用してロバストなポリシーを学習する新しいマルチエージェントILアルゴリズムであるMisoDICEを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T08:43:42Z)
• Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model [71.45491434257106]
  Unified Generative Recommendation Framework (UniGRF)は、検索とランキングを単一の生成モデルに統合する新しいアプローチである。 ステージ間コラボレーションを強化するため、UniGRFはランキング駆動エンハンサーモジュールを導入した。 UniGRFは、ベンチマークデータセット上で既存のモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-04-23T06:43:54Z)
• Unified Generative and Discriminative Training for Multi-modal Large Language Models [88.84491005030316]
  生成的トレーニングにより、視覚言語モデル(VLM)は様々な複雑なタスクに取り組むことができる。 CLIPのようなモデルで実証された差別的トレーニングは、ゼロショットイメージテキストの分類と検索に優れています。 本稿では,両パラダイムの強みを統合する統一的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-01T01:51:31Z)

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。