論文の概要: TopoGR: Revealing and Preserving Latent Structure of Semantic ID in Generative Recommendation

• arxiv url: http://arxiv.org/abs/2607.25216v1
• Date: Tue, 28 Jul 2026 02:45:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.684713
• Title: TopoGR: Revealing and Preserving Latent Structure of Semantic ID in Generative Recommendation
• Title（参考訳）: TopoGR:ジェネレーティブレコメンデーションにおけるセマンティックIDの潜在構造の調査と保存
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 25.345503799250476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic ID-based generative recommendation tokenizes each item into a sequence of discrete semantic IDs and predicts the next item by generating semantic IDs. However, existing methods typically regard SIDs as independent discrete symbols, while often overlooking the topology of the learned semantic ID space. We identify a structural mismatch between tokenization and generation: the tokenizer learns a structured code space with semantic neighborhood relations, whereas the generator consumes semantic ID tokens as independent categorical symbols. Consequently, item relatedness is reduced to exact semantic ID overlap, making it difficult to identify semantically similar items whose semantic IDs do not overlap. To address this issue, we propose TopoGR, a topology-preserving generative recommendation framework based on Bit-decomposable Semantic ID(Binary SID). Each Binary SID is learned in a bit-decomposable form and can be deterministically converted to a standard integer SID, while exposing an explicit Hamming geometry. TopoGR exploits this topology at three stages: binary SID features preserve Hamming proximity at the input layer; Hamming soft targets inject topology-aware supervision; and Hamming-consistent reranking aligns candidate items with the predicted binary prototype during inference. We further verify that the Hamming topology can capture item relatedness beyond exact SID matching. Experiments on four benchmark datasets show that TopoGR consistently outperforms existing state-of-the-art baselines in recommendation performance.
• 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、各項目を個別のセマンティックIDのシーケンスにトークン化し、セマンティックIDを生成して次の項目を予測する。 しかし、既存の手法では、SIDを独立した個別のシンボルとみなすことが多いが、しばしば学習されたセマンティックID空間のトポロジーを見下ろしている。 我々はトークン化と生成の間の構造的ミスマッチを識別する:トークン化器はセマンティックな近傍関係を持つ構造化されたコード空間を学習し、生成器はセマンティックIDトークンを独立した分類記号として消費する。 その結果、アイテム関連性が正確にセマンティックIDの重複に還元され、セマンティックIDが重複しないセマンティック類似アイテムの識別が困難になる。 この問題に対処するために,Bit-decomposable Semantic ID(Binary SID)に基づくトポロジ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を提案する。 各バイナリSIDはビット分解可能な形式で学習され、明確なハミング幾何学を露呈しながら、決定論的に標準整数SIDに変換することができる。 TopoGRはこのトポロジを3段階で活用している:バイナリSID機能は入力層におけるハミング近接を保ち、ハミングソフトターゲットはトポロジ対応の監視を注入する。 さらに、ハミングトポロジは、正確なSIDマッチング以上のアイテム関連性を捉えることができることを検証した。 4つのベンチマークデータセットの実験によると、TopoGRは推奨パフォーマンスで既存の最先端のベースラインを一貫して上回っている。

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)
• Interpretable Representation via LLM-Driven Generative Disentanglement for Local-Life Service Recommendation [28.83516611687355]
  我々はLGRID(Local-Life Service Recommendation)のためのLLM駆動型生成ディスタングルによる解釈可能な表現を提案する。 LGRID は Encode -> Disentangle -> Align -> Quantize Pipeline を通じて生成的不整合のパラダイムを導入している。 KuaishouとFoursquareの実験によると、LGRIDはSIDベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-30T09:52:18Z)
• CogRec: Structure-Cognitive Fast-and-Slow Reasoning for Generative Recommendation [29.663400191042996]
  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。
  論文  参考訳（メタデータ） (2026-07-27T13:19:55Z)
• 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)
• 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)
• 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)
• C2T-ID: Converting Semantic Codebooks to Textual Document Identifiers for Generative Search [73.61009656398384]
  本稿では,階層クラスタリングによる意味的数値決定法を構築するC2T-IDを提案する。 C2T-IDは、アトミック、セマンティック・コードブック、純粋テキスト・ドシッド・ベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-10-22T04:05:38Z)
• 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)
• 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)
• Language Models As Semantic Indexers [78.83425357657026]
  本稿では,ジェネレーティブ言語モデルを用いてセマンティックIDを学習するための自己教師型フレームワークLMIndexerを紹介する。 学習したIDの質を検証し,推奨,製品検索,文書検索の3つの課題において有効性を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:56:15Z)

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。