論文の概要: Where Reasoning Matters: Rethinking Latent Reasoning in Semantic ID-based Generative Recommendation

• arxiv url: http://arxiv.org/abs/2607.12425v1
• Date: Tue, 14 Jul 2026 06:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.057599
• Title: Where Reasoning Matters: Rethinking Latent Reasoning in Semantic ID-based Generative Recommendation
• Title（参考訳）: 推論が重要か:意味的IDに基づく生成レコメンデーションにおける潜在レコメンデーションの再考
• Abstract要約: セマンティックIDに基づく生成レコメンデーションのための情報ゲイン予算配分フレームワークを提案する。 IBAは、潜在精細化ステップを限られた計算資源として扱い、セマンティックIDの位置をまたいでそれらを割り当てる方法を学ぶ。 IBAは、強い生成的レコメンデーションベースラインを一貫して改善し、固定または整合性の低いステップアロケーションよりも精度の高い計算トレードオフを実現する。
• 参考スコア（独自算出の注目度）: 9.65643564237197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic ID-based generative recommendation predicts an item by generating a short sequence of semantic ID tokens, where each token is produced autoregressively. Latent reasoning has recently been introduced to improve this process through additional hidden-state computation before each token decision. This raises a practical question: when one item is represented by a sequence of semantic ID tokens, should each token receive the same fixed number of latent refinement steps, or should these steps be allocated more effectively across positions? We study this question through position-wise information-gain (IG), which measures how much each semantic ID position reduces the uncertainty of the target item. We observe that earlier semantic ID positions usually provide higher information-gain, while later positions contribute less additional information. We further analyze that applying more refinement to high-IG positions tends to bring larger expected benefits. Based on this observation, we propose IBA, an Information-Gain Budget Allocation framework for semantic ID-based generative recommendation. IBA treats latent refinement steps as a limited computational resource and learns how to allocate them across semantic ID positions, assigning more refinement to informative positions and less to positions with smaller contribution. Experiments on multiple public datasets show that IBA consistently improves strong generative recommendation baselines and achieves a better accuracy--computation trade-off than fixed or poorly matched step allocations.
• 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、各トークンが自己回帰的に生成されるセマンティックIDトークンの短いシーケンスを生成してアイテムを予測する。 最近、トークン決定の前に隠れ状態の計算を追加することで、このプロセスを改善するために、潜時推論が導入されている。 1つのアイテムがセマンティックIDトークンのシーケンスで表現されている場合、各トークンは、同じ固定数の遅延リファインメントステップを受信するか、あるいは、これらのステップをより効果的に配置すべきか? 本研究では,各セマンティックID位置が対象項目の不確実性をどの程度低減するかを計測する位置対応情報ゲイン(IG)を用いて検討する。 初期のセマンティックID位置は通常、より高い情報ゲインを提供するが、後続の位置情報は、より少ない情報に寄与する。 さらに,高IG位置への高精細化が期待される利益をもたらす傾向があることを分析した。 そこで本研究では,情報ゲイン予算配分フレームワークであるIBAを提案する。 IBAは、潜在精細化ステップを限られた計算資源として扱い、それらを意味的なID位置間で割り当てる方法を学び、情報的位置にさらなる精細化を割り当て、より少ないコントリビューションのポジションに割り当てる。 複数の公開データセットの実験では、IBAは強い生成的推奨ベースラインを一貫して改善し、固定されたステップアロケーションや貧弱なステップアロケーションよりも精度の高い計算トレードオフを実現している。

関連論文リスト

• EPIC: Explicit Posterior Item Conditioning for Semantic ID Diffusion Recommendation [18.230837696789226]
  Explicit Posterior Item Conditioningは、SID denoisingに明確なアイテムレベルの競合を導入する。 EPICは、現在の生成コンテキストを用いて、パーソナライズされた、実現可能な候補アイテムを構築する。 4つのAmazonベンチマークの実験では、強いベースラインよりも一貫して改善されている。
  論文  参考訳（メタデータ） (2026-09-03T08:21:50Z)
• Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation [59.20704286413859]
  本稿では,テキスト用語IDとその基盤となるデコードトリエを共設計する新しいフレームワークを提案する。 BONSAIは最先端のベースラインよりも21.6%向上している。
  論文  参考訳（メタデータ） (2026-07-18T04:31:02Z)
• SAPO: Step-Aligned Policy Optimization for Reasoning-Based Generative Recommendation [43.98709365191658]
  生成レコメンデーションは、次点予測を自己回帰的アイテム識別生成として扱う。 最近の研究は、このパラダイムを推論トレースで強化し、検証可能な報酬で強化学習を通じて最適化している。 大局的なレコメンデーションでは、生成されたSIDに対する正確なマッチングフィードバックは、最終項目が正しいかどうかのみを報告する。
  論文  参考訳（メタデータ） (2026-05-17T20:53:08Z)
• Unleash the Potential of Long Semantic IDs for Generative Recommendation [5.6264583086973685]
  ACERecは、きめ細かいトークン化と効率的なシーケンシャルモデリングのギャップを分離する新しいフレームワークである。 6つの実世界のベンチマークにおいて、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-14T03:15:31Z)
• Differentiable Semantic ID for Generative Recommendation [65.83703273297492]
  生成的推薦は、各項目がリッチコンテンツから学習された個別意味ID(SID)によって表現される新しいパラダイムを提供する。 実際には、SIDはレコメンデーションの正確さよりもコンテンツ再構成に最適化されるのが一般的である。 自然なアプローチは、セマンティックインデックスを差別化して、レコメンデーショングラデーションが直接SID学習に影響を与えるようにすることだ。 本稿では,ジェネレーティブレコメンデーションのための効果的な識別可能なセマンティックIDに向けた第一歩として,DIGERを提案する。
  論文  参考訳（メタデータ） (2026-01-27T15:34:11Z)
• Pre-training Generative Recommender with Multi-Identifier Item Tokenization [78.87007819266957]
  本稿では, MTGRecを用いて, 生成Recommender事前学習のためのトークンシーケンスデータを拡張する手法を提案する。 このアプローチには、マルチアイデンティティーアイテムトークン化とカリキュラムレコメンデータ事前トレーニングという、2つの重要なイノベーションがあります。 3つの公開ベンチマークデータセットに対する大規模な実験は、MTGRecが従来の推奨基準と生成推奨基準の両方を大きく上回っていることを示している。
  論文  参考訳（メタデータ） (2025-04-06T08:03:03Z)
• 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 Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation [55.99632509895994]
  マルチアスペクトセマンティックトークン化のための新しいアプローチであるLAMIAを紹介する。 単一の埋め込みを使用するRQ-VAEとは異なり、LAMIAは独立的でセマンティックな並列な埋め込みの集合である「アイテムパレット」を学習する。 その結果,提案手法よりも提案手法の精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-11T13:49:48Z)
• ASI++: Towards Distributionally Balanced End-to-End Generative Retrieval [29.65717446547002]
  ASI++は、新しいエンドツーエンドの生成検索手法である。 バランスの取れたIDの割り当てを同時に学習し、検索性能を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-05-23T07:54:57Z)
• Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
  LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。 LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
  論文  参考訳（メタデータ） (2024-05-12T15:49:38Z)

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。