論文の概要: Grevo: A Unified Generative Recommendation Framework with Evolutionary Item Indexing
- arxiv url: http://arxiv.org/abs/2607.25329v1
- Date: Tue, 28 Jul 2026 06:27:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.731632
- Title: Grevo: A Unified Generative Recommendation Framework with Evolutionary Item Indexing
- Title（参考訳）: Grevo: 進化的項目インデックスを備えた統合生成レコメンデーションフレームワーク
- Abstract要約: 本稿では,進化的項目の索引付けを併用したジェネレーティブ・レコメンデーション・フレームワークを提案する。
Grevoは、振る舞いSID生成タスクとセマンティックSIDグラウンディングタスクを統一する単一のレコメンデータ上に構築されている。
Grevoは最先端のジェネレーティブレコメンデーション手法より一貫して優れていることを示す。
- 参考スコア（独自算出の注目度）: 7.05169171974845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative recommendation has recently emerged as a promising paradigm that reformulates retrieval as autoregressive generation over semantic identifiers (SIDs), achieving strong performance and drawing increasing attention as an alternative to matching. Despite this progress, SIDs are typically frozen by a content-based tokenizer before the recommender is trained, leaving a persistent gap between what best reconstructs an item's content and what a recommender can predict from user behavior. Recent end-to-end methods close this gap by jointly training the tokenizer and the recommender, but coupling the two destabilizes the identifier space and requires a second learnable model, alignment losses, and usually a delicate alternating-optimization schedule. To address this issue, we propose Grevo, a unified Generative recommendation framework with evolutionary item indexing, which treats the SID assignment itself as an evolvable discrete variable that adapts to behavioral feedback rather than as a tokenizer to be trained. Grevo builds on a single multitask recommender that unifies a behavioral SID generation task and a semantic SID grounding task, letting the recommender absorb the tokenizer's role. Through evolutionary item indexing, Grevo then uses the trained recommender itself as a posterior evaluator to reassign a budgeted set of high-risk identifiers under a fixed vocabulary and length. Together, these components turn index construction into a stable, feedback-driven search that requires no second learnable model, no alignment losses, and no alternating-optimization schedule. Extensive experiments on multiple real-world datasets demonstrate that Grevo consistently outperforms state-of-the-art generative recommendation methods.
- Abstract（参考訳）: ジェネレーティブレコメンデーションは、最近、セマンティック識別子(SID)よりも自己回帰生成として検索を再構成し、高いパフォーマンスを達成し、マッチングの代替として注目を集める有望なパラダイムとして登場した。
この進歩にもかかわらず、SIDは通常、レコメンダがトレーニングされる前にコンテンツベースのトークンザイナによって凍結され、アイテムのコンテンツを最もよく再構成するものと、レコメンダがユーザの振る舞いから予測できるものとの間には、永続的なギャップが残る。
最近のエンド・ツー・エンドの手法では、トークン化器とレコメンダを共同で訓練することでこのギャップを埋めるが、この2つの結合は識別子空間を不安定化し、2つ目の学習可能なモデル、アライメント損失、そして通常は微妙な交互最適化スケジュールを必要とする。
この問題に対処するため,Grevoは進化的項目インデクシングと統合されたジェネレーティブ・レコメンデーション・フレームワークであり,SID代入そのものを進化可能な離散変数として扱う。
Grevoは、振る舞いSID生成タスクとセマンティックSIDグラウンディングタスクを統一する単一のマルチタスクレコメンデータ上に構築されており、レコメンダはトークンエータの役割を吸収する。
進化的項目の索引付けを通じて、グレボはトレーニングされたレコメンデータ自体を後部評価器として使用し、固定語彙と長さの下で高リスクな識別子の予算セットを再割り当てする。
これらのコンポーネントを合わせて、インデックス構築を安定的でフィードバック駆動の検索に変換することで、第2の学習可能なモデル、アライメント損失、交互最適化スケジュールを必要としない。
複数の実世界のデータセットに対する大規模な実験は、Grevoが一貫して最先端のジェネレーティブレコメンデーションメソッドを上回っていることを示している。
関連論文リスト
- EPIC: Explicit Posterior Item Conditioning for Semantic ID Diffusion Recommendation [18.230837696789226]
Explicit Posterior Item Conditioningは、SID denoisingに明確なアイテムレベルの競合を導入する。
EPICは、現在の生成コンテキストを用いて、パーソナライズされた、実現可能な候補アイテムを構築する。
4つのAmazonベンチマークの実験では、強いベースラインよりも一貫して改善されている。
論文 参考訳（メタデータ） (2026-09-03T08:21:50Z) - Unpaired Modality-Agnostic Generative Recommendation [26.342219762853187]
UnpairGRは、ペア、イメージのみ、およびテキストのみの観察から、統合されたセマンティックID空間を学ぶ。
3つのベンチマークデータセットの実験は、UnpairGRが常にレコメンデーションパフォーマンスを改善していることを示している。
論文 参考訳（メタデータ） (2026-08-03T16:46:47Z) - DREAM: Dynamic Refinement of Early Assignment Mappings [7.781421530363403]
現在のメソッドは、ユーザーからの十分なフィードバックが観測される前に、オフライントークン化を通じて各アイテムに1つの静的識別子を割り当てる。
我々は、このワンショットコミットメントを、SIDベースの生成レコメンデーションにおける基本的なコールドスタートボトルネックとみなす。
本稿では,この欠陥を解決する3段階のフレームワークであるDREAMを提案する。
論文 参考訳（メタデータ） (2026-06-05T06:21:01Z) - 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) - RAGR: Review-Augmented Generative Recommendation [61.29879991713178]
Review-Augmented Generative Recommendation (RAGR)は、レビューフィードバックを直接生成ユーザシーケンスに組み込む新しいGRフレームワークである。
RAGRは、すべてのメトリクスにわたる強力なGRバックボーンよりも一貫性があり、大きな利益をもたらす。
論文 参考訳（メタデータ） (2026-05-17T05:21:23Z) - 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) - GLASS: A Generative Recommender for Long-sequence Modeling via SID-Tier and Semantic Search [51.44490997013772]
GLASSは、SID-TierとSemantic Searchを通じて、長期的なユーザ関心を生成プロセスに統合する新しいフレームワークである。
GLASSは2つの大規模実世界のデータセットの実験において最先端のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2026-02-05T13:48:33Z) - 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) - Pre-training Generative Recommender with Multi-Identifier Item Tokenization [78.87007819266957]
本稿では, MTGRecを用いて, 生成Recommender事前学習のためのトークンシーケンスデータを拡張する手法を提案する。
このアプローチには、マルチアイデンティティーアイテムトークン化とカリキュラムレコメンデータ事前トレーニングという、2つの重要なイノベーションがあります。
3つの公開ベンチマークデータセットに対する大規模な実験は、MTGRecが従来の推奨基準と生成推奨基準の両方を大きく上回っていることを示している。
論文 参考訳（メタデータ） (2025-04-06T08:03:03Z) - Recommender Systems with Generative Retrieval [58.454606442670034]
本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。
そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。
提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2023-05-08T21:48:17Z)
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。