論文の概要: VaLiDRec: Variable-Length LLM-Aligned Semantic IDs for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2607.25209v1
• Date: Tue, 28 Jul 2026 02:29:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.682329
• Title: VaLiDRec: Variable-Length LLM-Aligned Semantic IDs for Generative Recommendation
• Title（参考訳）: VaLiDRec: 生成レコメンデーションのための可変長LLM対応セマンティックID
• Abstract要約: VaLiDRecは、可変長LLM対応セマンティック識別子に基づく生成レコメンデーションフレームワークである。 ユーザの好みをモデル化するために、VaLiDRecはグラフ対応のソフトプロンプトを導入し、トークンセット予測としてレコメンデーションを再構成する。 実世界の4つのデータセットの実験では、VaLiDRecは、強い、シーケンシャルな生成推奨ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 39.59701442467294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation commonly represents items using fixed-length semantic identifiers (SIDs) constructed through clustering and quantization. However, these artificial codes may overcompress item semantics, remain misaligned with pretrained LLM vocabularies, and require costly autoregressive decoding. In light of this, we propose VaLiDRec, a generative recommendation framework based on variable-length, LLM-aligned semantic identifiers. VaLiDRec constructs SIDs directly from informative native LLM vocabulary tokens via token importance estimation, semantic-quality-aware pruning, and collision-aware refinement, allowing identifier lengths to adapt to item semantic complexity. To model user preferences, VaLiDRec incorporates graph-aware soft prompts and reformulates recommendation as token-set prediction with token-level item scoring, eliminating autoregressive SID generation and beam search. Experiments on four real-world datasets show that VaLiDRec consistently outperforms strong sequential and generative recommendation baselines across all evaluation metrics. It further achieves superior zero-shot item cold-start performance and 87.49$\times$ faster inference than LC-Rec. These results demonstrate that LLM-native variable-length semantic identifiers provide a more expressive and efficient paradigm for generative recommendation.
• Abstract（参考訳）: ジェネレーティブレコメンデーションは、クラスタリングと量子化によって構築された固定長セマンティック識別子(SID)を使用してアイテムを表すのが一般的である。 しかし、これらの人工コードはアイテムのセマンティクスを過度に圧縮し、事前訓練されたLLM語彙と一致せず、費用がかかる自己回帰復号を必要とする。 そこで本研究では,可変長LLM型セマンティック識別子をベースとした生成的レコメンデーションフレームワークであるVaLiDRecを提案する。 VaLiDRecは、トークンの重要度推定、セマンティッククオリティ対応プルーニング、衝突対応リファインメントを通じて、情報的ネイティブなLLMボキャブラリトークンから直接SIDを構築し、識別子長がアイテムの意味複雑性に適応できるようにする。 ユーザの好みをモデル化するために、VaLiDRecはグラフ対応のソフトプロンプトを導入し、トークンレベルのアイテムスコアリングによるトークンセット予測としてレコメンデーションを再構築し、自動回帰SID生成とビームサーチを排除した。 実世界の4つのデータセットの実験によると、VaLiDRecは、すべての評価指標において、強いシーケンシャルで生成的な推奨基準を一貫して上回っている。 さらに、ゼロショットアイテムのコールドスタート性能と 87.49$\times$ LC-Rec よりも高速な推論を実現している。 これらの結果から,LLMネイティブな可変長セマンティック識別子は,より表現的かつ効率的な手法であることが示された。

関連論文リスト

• Preserving Item Semantics for Free: Rethinking Token Initialization in LLM-Based Generative Recommendation [33.094341397930776]
  生成レコメンデーションシステムでは、アイテムはしばしばセマンティックID(SID)を通して表現される 標準的な語彙展開は、これらのトークンをランダムなガウスベクトルとして初期化し、SIDの基礎となる連続幾何学を捨てる。 本稿では,SIDトークンの埋め込みをセマンティックな埋め込み空間において対応するセントロイドから直接初期化する,シンプルなパラメータフリーな介入を提案する。
  論文  参考訳（メタデータ） (2026-08-07T23:33:08Z)
• Beyond Linear LLM Invocation: An Efficient and Effective Semantic Filter Paradigm [17.52767415071768]
  Clustering-Sampling-Voting(CSV)は、エラー保証を提供しながら、呼び出しをサブ線形の複雑さに還元するフレームワークである。 CSVはセマンティッククラスタをセマンティッククラスタに組み込み、評価のために小さなサブセットをサンプリングし、2つの投票戦略を通じてクラスタレベルのラベルを推論する。
  論文  参考訳（メタデータ） (2026-03-05T04:37:15Z)
• Fine-grained Semantics Integration for Large Language Model-based Recommendation [35.75224379727093]
  token-level Semantics を LLM ベースの Recommender に組み込む TS-Rec を提案する。 2つの実世界のベンチマークに関する大規模な実験は、TS-Recが伝統的および生成的ベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-02-26T05:17:24Z)
• AgenticTagger: Structured Item Representation for Recommendation with LLM Agents [58.12004213978182]
  AgenticTagger は LLM をクエリして,項目をテキスト記述子のシーケンスで表現するフレームワークである。 アイテムコーパス内の語彙を効果的かつ効率的に基底化するために,多エージェント反射機構を設計する。 公開データとプライベートデータの実験では、AgenticTaggerがさまざまなレコメンデーションシナリオに一貫した改善をもたらしている。
  論文  参考訳（メタデータ） (2026-02-05T18:01:37Z)
• 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)
• 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)
• Enhancing Item Tokenization for Generative Recommendation through Self-Improvement [67.94240423434944]
  生成レコメンデーションシステムは大規模言語モデル(LLM)によって駆動される 現在のアイテムトークン化手法には、テキスト記述、数値文字列、離散トークンのシーケンスの使用が含まれる。 自己改善アイテムトークン化手法を提案し,LLMがトレーニングプロセス中に独自のアイテムトークン化を洗練できるようにする。
  論文  参考訳（メタデータ） (2024-12-22T21:56:15Z)
• CodecLM: Aligning Language Models with Tailored Synthetic Data [51.59223474427153]
  命令追従能力のための高品質な合成データを適応的に生成するフレームワークであるCodecLMを紹介する。 まず、ターゲットの指示分布をキャプチャするために、オンザフライで生成された簡潔なキーワードであるメタデータにシード命令をエンコードする。 また、デコード中に自己論理とコントラストフィルタを導入し、データ効率の良いサンプルを調整する。
  論文  参考訳（メタデータ） (2024-04-08T21:15:36Z)
• RA-Rec: An Efficient ID Representation Alignment Framework for LLM-based Recommendation [9.606111709136675]
  LLMに基づくレコメンデーションのための効率的なID表現フレームワークであるRA-Recを提案する。 RA-Recは最先端のメソッドを大幅に上回り、最大3.0%のHitRate@100の改善を実現している。
  論文  参考訳（メタデータ） (2024-02-07T02:14:58Z)

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。