論文の概要: SPARC: Sequence-aware Progressive Attribute Routing and Compression Framework for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2607.25339v1
• Date: Tue, 28 Jul 2026 06:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.735474
• Title: SPARC: Sequence-aware Progressive Attribute Routing and Compression Framework for Generative Recommendation
• Title（参考訳）: SPARC:ジェネレーティブレコメンデーションのためのシーケンス対応プログレッシブ属性ルーティングと圧縮フレームワーク
• Authors: Chang Liu, Changfa Wu, Hui Qian, Binbin Cao, Jian Wu, Yuliang Yan, Han Zhu, Bo Zheng,
• Abstract要約: 生成レコメンデーションは、アイテムを個別のセマンティックID(SID)としてトークン化し、ユーザの過去のSIDシーケンスから自動的にターゲットアイテムを生成する。 textbfSPARC, ulinetextbfSequence-aware ulinetextbfProgressive ulinetextbfAttribute ulinetextbfRouting, ulinetextbfCompression Framework for Generative recommendationを提案する。
• 参考スコア（独自算出の注目度）: 14.05042925405816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation tokenizes items as discrete Semantic IDs (SIDs) and autoregressively generates target items from users' historical SID sequences. Although existing SIDs incorporate multimodal and structured information, they are typically statically assigned and independent of the current interaction context. In industrial scenarios, each behavior also contains heterogeneous attributes, such as category, brand, price, behavior type, and timestamp. Fully expanding these features greatly increases the input length, while directly compressing them into a single representation may prematurely discard context-relevant information. We propose \textbf{SPARC}, \uline{\textbf{S}}equence-aware \uline{\textbf{P}}rogressive \uline{\textbf{A}}ttribute \uline{\textbf{R}}outing and \uline{\textbf{C}}ompression Framework for Generative recommendation. SPARC first models the sequential dependencies of each field type to obtain context-aware field representations. It then routes the original, contextual, and identity representations of different fields into multiple slots to preserve complementary information under a fixed capacity. Finally, lightweight cross-item interaction integrates the intermediate tokens and compresses each historical item into a single token. Following the principle of contextualizing before compression, SPARC enriches user-history representations without increasing the input length of the generative backbone. Experiments on industrial Taobao and public Amazon datasets demonstrate that SPARC outperforms strong conventional and generative baselines. Further comparisons with static compression variants show that the improvement of SPARC comes from context-conditioned information retention rather than merely increasing the expressiveness of the compression module.
• Abstract（参考訳）: 生成レコメンデーションは、アイテムを個別のセマンティックID(SID)としてトークン化し、ユーザの過去のSIDシーケンスから自動的にターゲットアイテムを生成する。 既存のSIDにはマルチモーダル情報と構造化情報が含まれているが、それらは通常静的に割り当てられ、現在の相互作用コンテキストとは独立している。 産業シナリオでは、それぞれの行動にはカテゴリ、ブランド、価格、行動タイプ、タイムスタンプといった異種属性も含まれている。 これらの機能を完全に拡張することで、入力長が大幅に増加し、直接1つの表現に圧縮することで、コンテキスト関連情報を早期に破棄することができる。 我々は、生成レコメンデーションのために、 \textbf{SPARC}、 \uline{\textbf{S}}equence-aware \uline{\textbf{P}}rogressive \uline{\textb{A}}ttribute \uline{\textbf{R}}outingおよび \uline{\textbf{C}}ompression Frameworkを提案する。 SPARCはまず各フィールド型のシーケンシャルな依存関係をモデル化し、コンテキスト対応のフィールド表現を得る。 その後、異なるフィールドのオリジナル、コンテキスト、アイデンティティの表現を複数のスロットにルーティングし、固定容量で補完情報を保存する。 最後に、軽量なクロスイテム相互作用は中間トークンを統合し、各履歴項目を単一のトークンに圧縮する。 圧縮前の文脈化の原則に従い、SPARCは生成バックボーンの入力長を増大させることなく、ユーザ歴史表現を充実させる。 産業用タオバオとパブリックAmazonデータセットの実験では、SPARCが従来型および生成ベースラインよりも優れていることが示されている。 さらに静的圧縮変種との比較では、SPARCの改善は単に圧縮モジュールの表現力を増大させるのではなく、文脈条件付き情報保持によるものであることが示されている。

関連論文リスト

• Improving Long-Context Retrieval with Multi-Prefix Embedding [64.08968715893504]
  Multi-Prefix Embeddingは、ドキュメントをEOSトークンで区切られたチャンクに分割し、完全なシーケンスを単一の因果フォワードパスにエンコードし、各プレフィックス境界に1つの埋め込みを抽出する。 MPEはクロスチャンクコンテキストを保持し、チャンクレベルのMaxSimマッチングを可能にし、ドキュメントレベルの関連ラベルのみをトレーニングする。
  論文  参考訳（メタデータ） (2026-06-22T17:31:02Z)
• CapsID: Soft-Routed Variable-Length Semantic IDs for Generative Recommendation [6.439016735163573]
  生成レコメンデーションは、各項目をセマンティックID(SID)のシーケンスにマッピングし、検索を自己回帰トークン生成として再キャストする。 CAPSIDは硬質残留量子化をカプセルルーティングに置き換える。 Amazon Beauty, Sports, Toys, and a 35M-item industrial catalogでは、CAPSID+SEMANTICBPEはReSIDよりも平均して10.6%改善している。
  論文  参考訳（メタデータ） (2026-05-06T16:33:13Z)
• UniRec: Bridging the Expressive Gap between Generative and Discriminative Recommendation via Chain-of-Attribute [12.89120699793625]
  Generative Recommendation (GR) reframes search and ranking as autoregressive decoding over Semantic IDs (SIDs) p(y|f,u) によるランクは p(f|y,u) によるランクと同値であり、アイテムの特徴を自己回帰的に分解する。 提案するUniRecとChain-of-Attribute(CoA)は、その中核となるメカニズムである。CoAは、SIDを復号する前に構造化属性トークン:カテゴリ、販売者、ブランドを含む各SIDシーケンスをプレフィックスし、識別モデルが活用するアイテム側の特徴交差を復元する。
  論文  参考訳（メタデータ） (2026-04-14T03:13:50Z)
• Generative Data Transformation: From Mixed to Unified Data [57.84692191369066]
  textscTaesarはtextbftarget-textbfal textbfregenerationのためのEmphdata中心のフレームワークである。 ドメイン間のコンテキストを対象のシーケンスにエンコードすることで、複雑な融合アーキテクチャを使わずに、標準的なモデルで複雑な依存関係を学習することができる。
  論文  参考訳（メタデータ） (2026-02-26T08:30:09Z)
• Multi-Vector Index Compression in Any Modality [73.7330345057813]
  後期の相互作用は、テキスト、画像、ビジュアルドキュメント、ビデオにおける情報検索の主要なパラダイムとして現れてきた。 インデックス圧縮には,シーケンスリサイズ,メモリトークン,階層プール,新しいアテンション誘導クラスタリング(AGC)の4つのアプローチを導入する。 AGCは、ドキュメントの最もセマンティックな領域をクラスタセントロイドとして識別し、トークンの集合を重み付けするために注意誘導機構を使用する。
  論文  参考訳（メタデータ） (2026-02-24T18:57:33Z)
• Hi-SAM: A Hierarchical Structure-Aware Multi-modal Framework for Large-Scale Recommendation [1.0839192829439435]
  Hi-SAMは階層構造対応のマルチモーダルフレームワークで、2つの設計がある。 幾何学的アライメントによってモダリティを統一し、粗大な戦略によってそれらを定量化する。 大規模なソーシャルプラットフォーム上に展開されたHi-SAMは、コアオンラインメトリックの6.55%を達成している。
  論文  参考訳（メタデータ） (2026-02-12T10:26:15Z)
• CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation [55.783414010717074]
  CoFiRecは、アイテム情報をセマンティックレベルに分解する新しい生成レコメンデーションフレームワークである。 我々は、CoFiRecが既存の手法より優れており、ジェネレーティブレコメンデーションの新しい視点を提供することを示す。
  論文  参考訳（メタデータ） (2025-11-27T18:59:35Z)
• What Makes You Unique? Attribute Prompt Composition for Object Re-Identification [70.67907354506278]
  Object Re-IDentificationは、重複しないカメラビューで個人を認識することを目的としている。 単一ドメインモデルはドメイン固有の機能に過度に適合する傾向がありますが、クロスドメインモデルは多種多様な正規化戦略に依存します。 本稿では,テキストのセマンティクスを利用して識別と一般化を協調的に強化する属性プロンプト合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T07:03:08Z)
• LATex: Leveraging Attribute-based Text Knowledge for Aerial-Ground Person Re-Identification [78.73711446918814]
  我々は,属性ベースのテキスト知識を活用するために,アクシデントチューニング戦略を採用した,AG-ReIDのためのLATexという新しいフレームワークを提案する。 我々のフレームワークは属性ベースのテキスト知識をフル活用してAGReIDの性能を向上させることができる。
  論文  参考訳（メタデータ） (2025-03-31T04:47:05Z)

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。