論文の概要: From Raw IDs to Semantic Planning: How Recommender Systems Utilize Information at Scale

• arxiv url: http://arxiv.org/abs/2607.09540v1
• Date: Fri, 10 Jul 2026 15:46:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 16:48:13.45489
• Title: From Raw IDs to Semantic Planning: How Recommender Systems Utilize Information at Scale
• Title（参考訳）: 生身のIDからセマンティックプランニング:大規模情報を活用したレコメンダシステム
• Authors: Changhong Jin, Shiqiu Yang, Roger Zhe Li, Yingjie Niu, Aghiles Salah, Mete Sertkan, Zheng Ju, Xingsheng Guo, Huifeng Guo, Ruihai Dong, Barry Smyth,
• Abstract要約: この変化は、従来の方法よりも生成的レコメンデーションの台頭を越えていると我々は主張する。 本稿では、なぜ生のIDがレコメンデーションシステムの初期開発を支配したのか、なぜセマンティック情報は今日、IDにカプセル化されつつあるのか、そして次にセマンティック検索を超えたレコメンデーションはどうなるのか、という3つの質問について述べる。
• 参考スコア（独自算出の注目度）: 11.390755688465951
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The evolution of recommender systems can be explored by asking how they utilize information at scale. Throughout most of the historical period under consideration during the past two decades, industrial systems have relied on raw IDs, which are discrete, globally unique, and semantically opaque identifiers that enable exact lookup, logging, and item-specific memorization at scale. Over time, however, recommender systems have sought to utilize richer sources of information, including item content, context, multimodal signals, and cross-domain structure. This development has led to a new stage in which part of such information is no longer used solely as auxiliary features around item identity, but is increasingly encapsulated in semantic IDs that provide a more structured, model-facing form of identity. We argue that this shift goes beyond the rise of generative recommendation over traditional methods. Indeed, it reflects a broader evolution in how recommender systems utilize information under industrial-scale constraints. This paper looks at the past, present, and future to examine three connected questions: why raw IDs dominated the early development of recommender systems, why semantic information is increasingly being encapsulated in IDs today, and what may come next once recommendations move beyond semantic retrieval. In particular, we introduce semantic planning as a possible future direction in which the system first predicts the semantic target of the next exposure, and only then instantiates that target as a specific item or generated creative. We further argue that such a shift may require changes not only in model design but also in evaluation and in the way recommender systems coordinate the objectives of users, platforms, and providers.
• Abstract（参考訳）: 推奨システムの進化は、どのようにして大規模に情報を利用するのかを問うことで調べることができる。 過去20年間にわたって、産業システムは生のIDを頼りにしてきたが、それは離散的で、グローバルにユニークで、意味的に不透明な識別子であり、正確なルックアップ、ロギング、そして大規模におけるアイテム固有の記憶を可能にする。 しかし、時間とともに、レコメンダシステムは、アイテムの内容、コンテキスト、マルチモーダル信号、ドメイン間構造など、より豊富な情報ソースの利用を模索してきた。 この発展により、そのような情報の一部は、アイテムアイデンティティに関する補助的な機能としてのみ使用されるのではなく、より構造化されたモデル対応のアイデンティティを提供するセマンティックIDにカプセル化されていく、新たな段階がもたらされた。 この変化は、従来の方法よりも生成的レコメンデーションの台頭を越えていると我々は主張する。 実際、レコメンダシステムは産業規模の制約の下でどのように情報を利用するかにおいて、より広範な進化を反映している。 本稿では、なぜ生のIDがレコメンデーションシステムの初期開発を支配したのか、なぜセマンティック情報は今日、IDにカプセル化されつつあるのか、次にセマンティック検索を超えて何が起こるのか、という3つの質問について、過去、現在、未来を考察する。 特にセマンティック・プランニングは,システムが次の露出のセマンティック・ターゲットを最初に予測し,そのターゲットを特定の項目としてインスタンス化し,創造的に生成する可能性として導入する。 さらに、モデル設計だけでなく、評価や、ユーザやプラットフォーム、プロバイダの目的を調整するためのレコメンデーションシステムなどにおいても、このような変化が要求される可能性があると論じる。

関連論文リスト

• 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)
• Variable-Length Semantic IDs for Recommender Systems [0.0]
  推薦システムにおける鍵となる課題は、アイテム空間の極端に大きな濃度である。 既存のアプローチは固定長のセマンティック識別子を生成し、すべての項目に同じ記述長を割り当てる。 これは非効率であり、自然言語と不一致であり、現実世界のカタログの高度に歪んだ周波数構造を無視している。 本稿では,適応長の項目表現を原理的確率的枠組みで学習する離散変分オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2026-02-18T11:29:05Z)
• Unleashing the Native Recommendation Potential: LLM-Based Generative Recommendation via Structured Term Identifiers [51.64398574262054]
  本稿では,意味的にリッチで標準化されたテキストキーワードの集合として定義された用語ID(TID)を導入し,堅牢な項目識別子として機能する。 本稿では,TIDを中心にした新しいフレームワークGRLMを提案し,項目のメタデータを標準化されたTIDに変換し,統合的インストラクションファインタニングを活用して,用語の内部化とシーケンシャルレコメンデーションを協調的に最適化する。
  論文  参考訳（メタデータ） (2026-01-11T07:53:20Z)
• A Survey on Generative Recommendation: Data, Model, and Tasks [55.36322811257545]
  ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。 この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。 世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
  論文  参考訳（メタデータ） (2025-10-31T04:02:58Z)
• MVIGER: Multi-View Variational Integration of Complementary Knowledge for Generative Recommender [23.305659180882625]
  本稿では,入力プロンプトテンプレートや項目インデックスタイプの変化によって生成される出力の不整合に着目した。 本稿では,これらの情報ソースの選択を,事前学習可能なカテゴリ付き潜在変数としてモデル化する,統一的な変分フレームワークMVIGERを提案する。 実世界の3つのデータセットに対するMVIGERの有効性を検証する。
  論文  参考訳（メタデータ） (2024-08-16T11:59:01Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• 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)
• Personalized Prompt Learning for Explainable Recommendation [46.69922623691051]
  本稿では,正規化としての逐次チューニングとレコメンデーションという2つのトレーニング戦略を提案する。 当社の継続的プロンプト学習アプローチは、説明可能な推奨の3つのデータセットの強いベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2022-02-15T12:53:52Z)

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。