論文の概要: Topology-Aware Tokenization for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2607.18600v1
• Date: Tue, 21 Jul 2026 00:27:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.281687
• Title: Topology-Aware Tokenization for Generative Recommendation
• Title（参考訳）: ジェネレーティブレコメンデーションのためのトポロジーを考慮したトークン化
• Abstract要約: Topology-Aware Tokenization (TopoTok)は、アイテムのトークン化フレームワークであり、量子化階層全体を通してアイテムリレーショナル構造を保存する。 3つのベンチマークデータセットに対する大規模な実験は、TopoTokがトポロジの歪みを効果的に軽減し、最先端のトークン化ツールを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 15.005942178560089
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative recommendation reformulates sequential recommendation as an autoregressive generation task, yet a critical issue in this paradigm remains overlooked: topology distortion in item tokenization. In particular, we observe that the intrinsic adjacency relationships of items in the pretrained semantic embedding space are significantly disrupted after quantization. This topology distortion misleads the model's perception of item similarity, ultimately bottlenecking the accuracy of generative recommendations. To address this issue, we propose Topology-Aware Tokenization (TopoTok), an item tokenization framework that preserves item relational structure throughout the quantization hierarchy. Different from the prior monolithic supervision in tokenization, TopoTok introduces a multi-level distillation scheme to progressively recover the topology from coarse to fine granularity: 1) Inter-Group Distillation to capture global cluster-wise relations; 2) Intra-Group Distillation to refine local structures within semantic clusters; and 3) Inter-Item Distillation to enforce fine-grained alignment at the individual item level. Extensive experiments on three benchmark datasets demonstrate that TopoTok effectively alleviates topology distortion and consistently outperforms state-of-the-art tokenizers, achieving significant performance gains of up to 9.42% in Recall@5.
• Abstract（参考訳）: 生成的レコメンデーションは、自己回帰生成タスクとしてシーケンシャルなレコメンデーションを再構成するが、このパラダイムにおける重要な問題は、アイテムトークン化におけるトポロジの歪みとして見過ごされ続けている。 特に,事前学習されたセマンティック埋め込み空間におけるアイテムの固有隣接関係が量子化後に著しく破壊されることが観察された。 このトポロジ歪みは、モデルがアイテム類似性に対する認識を誤解させ、最終的に生成的レコメンデーションの精度をボトルネックにする。 この問題に対処するために、量子化階層全体にわたってアイテム関係構造を保存するアイテムトークン化フレームワークであるTopology-Aware Tokenization (TopoTok)を提案する。 トークン化における従来のモノリシックな監督とは違って、トポトクは、トポロジを粗いものから細かい粒度へと徐々に回復させる多層蒸留方式を導入している。 1)グローバルクラスタ関係を捉えるためのグループ間蒸留 2) セマンティッククラスタ内の局所構造を洗練するためのグループ内蒸留 3)個別の項目レベルできめ細かい調整を行うための項目間蒸留 3つのベンチマークデータセットに対する大規模な実験により、TopoTokはトポロジの歪みを効果的に軽減し、最先端のトークン化ツールを一貫して上回り、Recall@5で最大9.42%のパフォーマンス向上を達成した。

関連論文リスト

• EchoRec: Multi-Item Prediction-Empowered Generative Recommendation via Cycle-Consistent Preference Alignment [57.08595331216049]
  生成レコメンデーションは、ターゲット項目のセマンティックIDを自己回帰的に生成し、共有トークン空間内の嗜好モデリングとインデックス検索を統合する。 近年の試行ではMTP(Multi-Token Prediction)を導入しているが、その効率性は主に継承され、密集した監視対象としての可能性は未解明のままである。 提案するEchoRecは,マルチホライゾンにまたがるサイクル一貫性の全体的嗜好アライメントをMPPに付与し,生成的レコメンデーションを実現する。
  論文  参考訳（メタデータ） (2026-08-14T06:59:12Z)
• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• DiffoR: A Unified Continuous Generative Framework for Universal Ordinal Regression [37.354096693649375]
  正規回帰は、固有の順序でターゲット値を予測することを目的としている。 既存のパラダイムは、量子化アーティファクトとグローバルな順序的トポロジカルな知覚の欠如によって制約されている。 新たなパラダイムの下では,拡散モデルを用いて連続順序値の復元を行う統合フレームワークであるDiffORを導入する。
  論文  参考訳（メタデータ） (2026-05-29T07:38:39Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• Trie-Aware Transformers for Generative Recommendation [18.901863061905825]
  本稿では,TrieRecを提案する。TrieRecは,トランスフォーマーを構造的帰納バイアスで拡張する,トリエアウェアな生成レコメンデーション手法である。 3つの代表的なGRバックボーン内にTrieRecを実装し、実際の4つのデータセットの平均8.83%の改善を実現しています。
  論文  参考訳（メタデータ） (2026-02-25T08:25:16Z)
• Position: General Alignment Has Hit a Ceiling; Edge Alignment Must Be Taken Seriously [51.03213216886717]
  我々は、一般的なアライメントの支配的なパラダイムが、矛盾する値の設定において構造的な天井に達するという立場を取る。 エッジアライメント(Edge Alignment)は,多次元の値構造を保持するシステムにおいて,異なるアプローチである。
  論文  参考訳（メタデータ） (2026-02-23T16:51:43Z)
• PRISM: Purified Representation and Integrated Semantic Modeling for Generative Sequential Recommendation [28.629759086187352]
  本稿では,PRISMとPureified RepresentationとIntegrated Semantic Modelingを組み合わせた新しい生成レコメンデーションフレームワークを提案する。 PRISMは4つの実世界のデータセットで、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） (2026-01-23T08:50:16Z)
• CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation [55.783414010717074]
  CoFiRecは、アイテム情報をセマンティックレベルに分解する新しい生成レコメンデーションフレームワークである。 我々は、CoFiRecが既存の手法より優れており、ジェネレーティブレコメンデーションの新しい視点を提供することを示す。
  論文  参考訳（メタデータ） (2025-11-27T18:59:35Z)
• Arg-LLaDA: Argument Summarization via Large Language Diffusion Models and Sufficiency-Aware Refinement [27.673022970833163]
  本稿では,要約を反復的に改善する新しい大規模言語拡散フレームワークArg-LLaDAを紹介する。 本手法では,フレキシブルマスキングコントローラと十分チェックモジュールを組み合わせることで,サポート対象,冗長,あるいは不完全なスパンを特定し,修正する。 2つのベンチマークデータセットの実証結果は、Arg-LLaDAが10の自動評価指標のうち7の最先端のベースラインを超えたことを示している。
  論文  参考訳（メタデータ） (2025-07-25T09:07:52Z)
• Towards Initialization-Agnostic Clustering with Iterative Adaptive Resonance Theory [8.312275539092466]
  Iterative Refinement Adaptive Resonance Theory (IR-ART)は、3つの重要な位相を統合された反復的フレームワークに統合する。 IR-ARTは、ファジィARTのパラメータ単純性を保ちながら、準最適警戒パラメータ値に対する耐性を向上させる。 ケーススタディは、反復的な改善を通じてアルゴリズムの自己最適化能力を視覚的に確認する。
  論文  参考訳（メタデータ） (2025-05-07T14:12:39Z)
• Bidirectional Logits Tree: Pursuing Granularity Reconcilement in Fine-Grained Classification [89.20477310885731]
  本稿では,粒度分類タスクにおけるグラニュラリティコンペティションの課題について述べる。 既存のアプローチは通常、共通のベースエンコーダから抽出された共有特徴に基づいて、独立した階層認識モデルを開発する。 グラニュラリティ再構成のための双方向ロジットツリー(BiLT)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T10:42:19Z)
• EAGER: Two-Stream Generative Recommender with Behavior-Semantic Collaboration [63.112790050749695]
  本稿では,行動情報と意味情報の両方をシームレスに統合する新しい生成推薦フレームワークであるEAGERを紹介する。 EAGERの有効性を4つの公開ベンチマークで検証し,既存手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-20T06:21:56Z)
• CoST: Contrastive Quantization based Semantic Tokenization for Generative Recommendation [38.97136297977874]
  我々は、アイテムの関係と意味情報の両方を利用して意味的トークンを学習する、コントラッシブな量子化に基づく意味的トークン化手法CoSTを提案する。 この結果から,意味的トークン化が生成的推薦性能に与える影響が明らかとなった。
  論文  参考訳（メタデータ） (2024-04-23T06:29:48Z)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)

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。