論文の概要: Understanding Semantic IDs: From Item Representation to Item Selection in Generative Recommendation

• arxiv url: http://arxiv.org/abs/2607.24995v1
• Date: Mon, 27 Jul 2026 18:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.598973
• Title: Understanding Semantic IDs: From Item Representation to Item Selection in Generative Recommendation
• Title（参考訳）: 意味的IDを理解する:生成的勧告における項目表現から項目選択へ
• Abstract要約: 項目エンコーディングとSID構築から自己回帰生成と最終勧告まで,SIDを体系的に検討する。 我々は,SIDが広い組織を維持しつつも,エンコーダの微細な局所構造の多くを失うことを示し,それらの正確なトークンはアイテムの意味だけでは決定されない。 我々は,ビームサーチが破棄される前に,ユーザ固有の項目ランキングを対応するSIDプレフィックスをサポートする軽量な推論時間手法であるISDを提案する。
• 参考スコア（独自算出の注目度）: 7.786317729444243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic IDs (SIDs) are now a central component of generative recommendation. Current SID-based systems assign three roles to the same token sequence. Shared prefixes are intended to organize related items, the complete SID identifies an individual item, and each generated token narrows the items that can still be returned. We systematically investigate SIDs from item encoding and SID construction to autoregressive generation and final recommendation. We examine how SID construction changes item representations and how those changes affect generation. Across three Amazon domains and eight SID constructions, SID neighborhoods recover only 32.2% of the encoder's ten nearest neighbors on average. Alternative item descriptions still retrieve the corresponding item first in 99.57% of controlled cases, yet change 38.4% of exact SIDs. These results show that SIDs retain broad organization but lose much of the encoder's fine local structure, while their exact tokens are not determined by item meaning alone. This loss becomes consequential during generation. After the final semantic token, TIGER retains only 29.9% of held-out targets that were plausible recommendations before SID filtering. Motivated by these findings, we propose Item-Supported Decoding (ISD), a lightweight inference-time method that allows a user-specific item ranking to support corresponding SID prefixes before beam search discards them. The same ranking then orders the generated items. ISD requires no additional parameters or retraining of the SID constructor or decoder. We empirically show that ISD improves NDCG@10 over the corresponding SID backbone in every evaluated setting, with relative gains of up to 31.2%. Our results show that SIDs provide useful coarse item organization, but their fine boundaries should not alone determine which items remain available during generation.
• Abstract（参考訳）: セマンティックID(SID)は、現在、ジェネレーティブレコメンデーションの中心となっている。 現在のSIDベースのシステムは、3つのロールを同じトークンシーケンスに割り当てる。 共有プレフィックスは関連するアイテムの整理を意図し、完全なSIDは個々のアイテムを識別し、生成されたトークンは返却可能なアイテムを絞り込む。 項目エンコーディングとSID構築から自己回帰生成と最終勧告まで,SIDを体系的に検討する。 SID構築が項目表現をどのように変化させるか,その変化が生成に与える影響について検討する。 3つのAmazonドメインと8つのSID構成のうち、SID地区は平均32.2%しか回復していない。 代替項目の記述は、制御されたケースの99.57%で最初に対応する項目を検索するが、正確なSIDの38.4%は変更する。 これらの結果から, SIDは広い組織を維持しつつも, エンコーダの微細な局所構造の多くを失い, 正確なトークンはアイテムの意味だけでは決定されないことがわかった。 この損失は世代によって必然的に発生する。 最後のセマンティックトークンの後、TIGERは29.9%しか保持していない。 これらの知見により,ビームサーチが破棄される前に,ユーザ固有の項目ランキングを対応するSIDプレフィックスをサポートする軽量な推論時間手法であるISDを提案する。 同じランキングが生成したアイテムを順序付けする。 ISDはSIDコンストラクタやデコーダの追加パラメータや再トレーニングを必要としない。 ISD は評価条件ごとに NDCG@10 を改善し、相対利得は 31.2% となる。 以上の結果から,SIDは粗い項目の整理に有用であることがわかったが,それらの細かな境界は生成期間中にどの項目が利用可能かを判断すべきではない。

関連論文リスト

• 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)
• How Reliable Are Semantic-ID Tokenizer Comparisons in Generative Recommendation? [3.9133310867939177]
  生成レコメンデーションでは、各項目を離散コードのシーケンスとして表現し、自己回帰モデルを訓練して次の項目のSIDシーケンスを生成する。 この評価プロトコルは、SIDレベルのマッチングとアイテムレベルのレコメンデーションとを等価とし、各SIDシーケンスが1つのアイテムにマップされたときにのみ保持される同値である。 トークンーはアイテムの特徴をコード空間に圧縮するので、意味的に類似しているが協調的に異なるアイテムは、しばしば同じSIDシーケンスに割り当てられる。
  論文  参考訳（メタデータ） (2026-05-25T01:22:45Z)
• 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)
• Mitigating Collaborative Semantic ID Staleness in Generative Retrieval [0.0]
  セマンティックID(SID)を用いた生成検索では,各項目を個別の識別子として割り当て,シーケンス生成問題として扱う。 相互作用パターンが時間とともに漂うにつれて、SIDは時代遅れになり、コラボレーティブセマンティクスは最近のログともはや一致しない。 本稿では,軽量でモデルに依存しないSIDアライメント更新を提案する。
  論文  参考訳（メタデータ） (2026-04-14T20:06:48Z)
• 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)
• 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)
• FORGE: Forming Semantic Identifiers for Generative Retrieval in Industrial Datasets [64.51403245281547]
  FORGEは、産業データセットを使ったジェネレーティブrEtrievalにおけるFOrmingセマンティック識別のベンチマークである。 現実世界のアプリケーションでは、オンラインコンバージェンスを半減するオフライン事前トレーニングスキーマが導入されている。
  論文  参考訳（メタデータ） (2025-09-25T08:44:22Z)
• Re-identification = Retrieval + Verification: Back to Essence and Forward with a New Metric [88.96593495602923]
  我々は、新しい再同定指標として、Genuine Open-set re-ID Metric (GOM)を提案する。 GOMは、検索と検証を行う効果を単一の統一メトリックにバランスさせる。 GOMはリID性能の人間の視覚的評価と整合性に優れる。
  論文  参考訳（メタデータ） (2020-11-23T16:11:19Z)

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。