論文の概要: Bridging the Structural Gap: Adapting Autoregressive Generation for Recommendation
- arxiv url: http://arxiv.org/abs/2607.21028v2
- Date: Fri, 24 Jul 2026 09:38:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 14:08:30.984595
- Title: Bridging the Structural Gap: Adapting Autoregressive Generation for Recommendation
- Title（参考訳）: 構造ギャップをブリッジする: 推薦のための自己回帰生成に適応する
- Authors: Junchao Zeng, Junzhang Zhu, Junyang Chen, Yudong Li, Wei Liu, Chengxiang Zhuo, Zang Li,
- Abstract要約: Generative Recommendation (GR)は、シーケンシャルなレコメンデーションのための新しいパラダイムとして登場した。
本稿では、ICA(Item Context-Aware Attention)を用いて、エンコーディング中にアイテムレベルの構造を復元するBARGEを提案する。
公開ベンチマークと大規模なオフラインテストに関する実験と分析研究は、BARGEが優れたレコメンデーション性能を達成することを示す。
- 参考スコア（独自算出の注目度）: 10.616703360070359
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative Recommendation (GR) has emerged as a new paradigm for sequential recommendation, in which a representative line of work encodes items into hierarchical semantic IDs via residual quantization and predicts the IDs token by token. However, this generative formulation still exhibits structural gaps with respect to the recommendation task: flattening multi-token IDs into a single sequence destroys item-level structure, and the inconsistency between training and inference over a hierarchical codebook gives rise to semantic drift. To bridge these two gaps, we propose BARGE, which employs Item Context-Aware Attention (ICA) to restore item-level structure during encoding, and Hierarchical Path Reranking (HPR) together with Dual-Path Decoding (DPD) to suppress semantic drift from two complementary angles during decoding. Extensive experiments and analytical studies on public benchmarks and a large-scale offline test demonstrate that BARGE achieves superior recommendation performance. An online A/B test on a Tencent platform yields improvements of 0.60% in click-through rate, 1.34% in click unique visitors, and 1.70% in total reading time, confirming the practical value of BARGE in industrial-scale recommendation.
- Abstract（参考訳）: Generative Recommendation (GR) はシーケンシャルなレコメンデーションのための新しいパラダイムとして登場し、作業の代表的な行が残留量子化によってアイテムを階層的なセマンティックIDにエンコードし、トークンによってIDトークンを予測する。
マルチトークンIDを1つのシーケンスにフラット化することでアイテムレベルの構造が破壊され、階層的なコードブック上でのトレーニングと推論の不整合がセマンティックドリフトを引き起こす。
この2つのギャップを埋めるために, ICA (Item Context-Aware Attention) を用いて符号化中のアイテムレベルの構造を復元し, HPR (Hierarchical Path Re rank) とDual-Path Decoding (DPD) を併用することで,デコーディング中の2つの相補的な角度からのセマンティックドリフトを抑制するBARGEを提案する。
公開ベンチマークと大規模なオフラインテストに関する大規模な実験と分析研究は、BARGEが優れたレコメンデーション性能を達成することを実証している。
Tencentプラットフォーム上でのオンラインA/Bテストでは、クリックスルーレートが0.60%、クリックユニークビジターが1.34%、総読書時間が1.70%向上し、産業規模の推奨事項におけるBARGEの実用的価値を確認している。
関連論文リスト
- 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) - Beyond Static Collision Handling: Adaptive Semantic ID Learning for Multimodal Recommendation at Industrial Scale [20.066503602593958]
AdaSIDは2段階のプロセスを通じてSIDオーバーラップを制御する。
関連する項目が意味的に互換性がある場合、観察された重複に対する反発を緩和する。
局所的な衝突負荷と訓練の進捗に応じて、残りの規制圧力を割り当てる。
論文 参考訳（メタデータ） (2026-04-26T03:59:35Z) - GenRec: A Preference-Oriented Generative Framework for Large-Scale Recommendation [14.663434490160016]
我々は、JD App上にデプロイされた嗜好指向の生成フレームワークであるGenRecを紹介する。
月のオンラインA/Bテストでは、GenRecは9.5%のクリック数の改善と8.7%のトランザクション数を達成した。
論文 参考訳（メタデータ） (2026-04-16T11:07:05Z) - Masked Diffusion Generative Recommendation [14.679550929790151]
ジェネレーティブレコメンデーション(GR)は、通常、連続アイテムの埋め込みをマルチレベルセマンティックID(SID)に量子化する。
MDGRはMasked Diffusion Generative Recommendationフレームワークで,コードブック,トレーニング,推論という3つの観点からGRパイプラインを再評価する。
論文 参考訳（メタデータ） (2026-01-27T11:39:02Z) - TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。
報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
論文 参考訳（メタデータ） (2025-11-07T16:08:34Z) - DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。
自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。
実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
論文 参考訳（メタデータ） (2025-10-21T03:23:32Z) - Benchmarking Unified Face Attack Detection via Hierarchical Prompt Tuning [58.16354555208417]
PADとFFDはそれぞれ物理メディアベースのプレゼンテーションアタックとデジタル編集ベースのDeepFakeから顔データを保護するために提案されている。
これら2つのカテゴリの攻撃を同時に処理する統一顔攻撃検出モデルがないことは、主に2つの要因に起因する。
本稿では,異なる意味空間から複数の分類基準を適応的に探索する,視覚言語モデルに基づく階層型プロンプトチューニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-19T16:35:45Z) - Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations [22.48125906976824]
カスケード型組織的ビ表現型ジェネリック検索フレームワークを導入し,カスケード処理を通じてスパース意味IDと高密度ベクトルを統合する。
本手法は,これらの表現をまずスパースIDを生成して交互に生成し,高密度ベクトルの生成を支援する条件として機能する。
推論の間、COBRAは粗大な戦略を採用し、スパースID生成から始まり、生成モデルを介してそれらを密度の高いベクトルに精製する。
論文 参考訳（メタデータ） (2025-03-04T10:00:05Z) - Refine, Discriminate and Align: Stealing Encoders via Sample-Wise Prototypes and Multi-Relational Extraction [57.16121098944589]
RDAは、事前訓練されたエンコーダを盗むために、以前の取り組みで普及した2つの主要な欠陥に対処するために設計された先駆的なアプローチである。
これは、サンプルの様々な視点に対してターゲットエンコーダの表現を統一するサンプルワイドプロトタイプによって達成される。
より強力な有効性を得るために、我々はサロゲートエンコーダを訓練し、ミスマッチした埋め込み-プロトタイプペアを識別するマルチリレーショナル抽出損失を開発する。
論文 参考訳（メタデータ） (2023-12-01T15:03:29Z)
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。