論文の概要: CogRec: Structure-Cognitive Fast-and-Slow Reasoning for Generative Recommendation
- arxiv url: http://arxiv.org/abs/2607.24402v1
- Date: Mon, 27 Jul 2026 13:19:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.425541
- Title: CogRec: Structure-Cognitive Fast-and-Slow Reasoning for Generative Recommendation
- Title（参考訳）: CogRec: 生成レコメンデーションのための構造認知型高速・スロー推論
- Abstract要約: CogRecは構造認識型高速・スロー推論フレームワークである。
CogRecは、層内セマンティックグラフとアイテムレベルの近傍で垂直SID階層を拡大する。
SIDルーティングは、レイヤワイドマッチ、 LateralJump、Explore操作によるレコメンデーション推論を表す。
- 参考スコア（独自算出の注目度）: 29.663400191042996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semantic-ID-based generative recommendation represents each item as a hierarchical discrete token sequence and reformulates next-item prediction as constrained sequence generation. Existing methods, however, mainly use Semantic IDs as target sequences to be memorized, leaving the hierarchy, intra-layer relations, and item neighborhoods underused as an explicit reasoning space. Explicit reasoning-enhanced generative methods often produce a natural-language rationale before the item identifier, but this rationale is only weakly coupled with the discrete SID space in which the final prediction is made. We propose CogRec, a structure-cognitive fast-and-slow reasoning framework that grounds intermediate reasoning in the same SID topology used for target generation. CogRec augments the vertical SID hierarchy with intra-layer semantic graphs and item-level neighborhoods, and introduces SID Routing to represent recommendation reasoning through layer-wise Match, LateralJump, and Explore operations. Exact matching implements fast semantic localization, whereas lateral and exploratory operations instantiate slower structural navigation. A supervised multi-stage pipeline aligns the newly introduced SID tokens, establishes direct SID generation, and trains natural-language and SID-routing reasoning branches from a shared checkpoint under the same trie-constrained output space. Experiments on three public sequential-recommendation benchmarks show that SID Routing improves its corresponding direct-generation, indicate that structure-grounded reasoning is most useful when prefix matching is insufficient but learnable SID-space transitions remain available, whereas long or weakly supported routes introduce additional decoding cost and accumulated errors. Code is available at https://github.com/caskcsg/CogRec
- Abstract（参考訳）: セマンティックIDに基づく生成レコメンデーションは、各項目を階層的な離散トークンシーケンスとして表現し、次の項目の予測を制約付きシーケンス生成として再構成する。
しかし、既存の手法では、主にセマンティックIDをターゲットシーケンスとして記憶し、階層構造、層内関係、アイテム地区は明示的な推論空間として使われていない。
明示的推論に富んだ生成法は、アイテム識別子の前に自然言語の有理をしばしば生成するが、この有理は最終的な予測を行う離散SID空間と弱結合しているだけである。
対象生成に使用するSIDトポロジに中間的推論を基盤とする構造認識型高速・低速推論フレームワークであるCogRecを提案する。
CogRecは、階層内のセマンティックグラフとアイテムレベルの地区で垂直SID階層を強化し、レイヤワイドマッチ、レイダルジャンプ、エクスプローラー操作によるレコメンデーション推論を表現するSIDルーティングを導入している。
Exact matchingは高速なセマンティックローカライゼーションを実装し、一方側方および探索操作は遅い構造ナビゲーションをインスタンス化する。
教師付き多段パイプラインは、新しく導入されたSIDトークンを整列し、直接SID生成を確立し、同じ三重制約出力空間の下で共有チェックポイントから自然言語およびSIDルーティング推論ブランチを訓練する。
3つのパブリックシーケンシャル・レコメンデーション・ベンチマークの実験では、SIDルーティングが対応するダイレクトジェネレーションを改善し、プレフィックスマッチングが不十分で学習可能なSID空間遷移が引き続き利用可能であるのに対して、長い経路や弱い経路ではデコードコストと累積エラーが生じる。
コードはhttps://github.com/caskcsg/CogRecで入手できる。
関連論文リスト
- Rethinking Item Tokenization in Generative Recommenders: From Fixed Atoms to Semantic Subwords [50.621722853036005]
生成レコメンデーションシステムでは、アイテムは通常、自己回帰的次イテム予測のために固定長のセマンティックIDシーケンスにトークン化される。
ユーザコンテキストのモデリングでは、このきめ細かい表現が注意の過負荷を引き起こす。
本稿では,歴史的項目を可変長のセマンティック・サブワードとして表現するセマンティック・サブワード・トークン化(SST)を提案する。
論文 参考訳（メタデータ） (2026-08-24T02:42:51Z) - TopoGR: Revealing and Preserving Latent Structure of Semantic ID in Generative Recommendation [25.345503799250476]
TopoGRはBit-decomposable Semantic ID(バイナリSID)に基づくトポロジー保存型生成レコメンデーションフレームワークである
TopoGRは、レコメンデーションパフォーマンスにおいて、既存の最先端のベースラインを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2026-07-28T02:45:33Z) - Can Generative Recommendation Reach Cold Items? A Temporal Perspective on Semantic-ID Generation [19.158930665677]
我々は、SIDベースのモデルが、観測されたトークンやプレフィックスによってサポートされた将来のアイテムに時々到達できることを示し、未知のアトミックトークンやサポートされていないSIDパスと競合することを示す。
これらの結果から, SID生成は構成的ではあるが完全に開放的ではないことが示唆され, より独立したSID空間における今後の方向性が示唆された。
論文 参考訳（メタデータ） (2026-07-23T09:30:49Z) - 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) - Conditional Memory Enhanced Item Representation for Generative Recommendation [46.59623438612085]
ジェネレーティブレコメンデーション(GR)は,セマンティック識別子(SID)の自動生成によって対象項目を予測する,有望なパラダイムとして登場した。
ほとんどのGRメソッドは量子化表現生成パイプラインに従い、まず各項目にSIDを割り当て、次にSID-token埋め込みから入力表現を構築し、最後に自動回帰生成によってターゲットのSIDを予測する。
コンディショナルメモリ拡張アイテム表現フレームワークであるCometIRを提案する。このフレームワークは、アイテム認識入力へのSIDトークンの埋め込みを再構築し、SID復号時にトークンの粒度を復元する。
論文 参考訳（メタデータ） (2026-05-12T02:56:59Z) - Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。
既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。
本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
論文 参考訳（メタデータ） (2026-04-14T11:36:29Z) - Reasoning over Semantic IDs Enhances Generative Recommendation [56.83043583765322]
本稿では,SID 言語アライメントを強化することによって,SID に対する推論を実現する2段階のフレームワークを提案する。
SIDReasonerはさらに、結果駆動強化最適化によるレコメンデーション推論を改善している。
実世界の3つのデータセットに対する実験により,SIDに基づく生成推薦の有効性が示された。
論文 参考訳（メタデータ） (2026-03-24T13:31:48Z) - LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval [74.72139580745511]
LaSERは、レトリバーの潜在空間に明示的な推論を内部化する、新しい自己蒸留フレームワークである。
提案手法は, 明示的なCoTパイプラインの推論深度と, 標準的な高密度検索器の推論効率をうまく組み合わせる。
論文 参考訳（メタデータ） (2026-03-02T04:11:18Z) - IntRR: A Framework for Integrating SID Redistribution and Length Reduction [14.327886721362647]
目的整合SID再分配と構造長削減を統合した新しいフレームワークであるIntRRを提案する。
IntRRは、代表的な生成ベースラインよりも大幅に改善され、推奨精度と効率の両方で優れた性能を達成する。
論文 参考訳（メタデータ） (2026-02-24T09:09:40Z) - End-to-End Semantic ID Generation for Generative Advertisement Recommendation [33.453121305193434]
生成広告推薦のための統一SID生成フレームワークを提案する。
具体的には、生の広告データからエンドツーエンドで埋め込みとSIDを協調的に最適化する。
実験により、UniSIDは最先端のSID生成方法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2026-02-11T02:38:26Z) - 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) - 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)
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。