論文の概要: LoopMemGR: From Behavior Logs to Evolving Memory for Generative Recommendation
- arxiv url: http://arxiv.org/abs/2607.27647v1
- Date: Thu, 30 Jul 2026 03:59:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.389615
- Title: LoopMemGR: From Behavior Logs to Evolving Memory for Generative Recommendation
- Title（参考訳）: LoopMemGR: 振る舞いログから生成レコメンデーションのためのメモリの進化
- Abstract要約: 生成レコメンデーションは、離散セマンティックID上での条件付き自己回帰生成として次点予測を定式化する。
生成レコメンデーションのためのクローズドループレコメンデーションエクスペリエンスメモリフレームワークであるLoopMemGR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 formulates next-item prediction as conditional autoregressive generation over discrete Semantic IDs, enabling end-to-end recommendation over large-scale item spaces. However, most existing methods follow a history-as-context paradigm that repeatedly reconstructs user preference from behavior history while discarding system-side recommendation decisions after each request. This creates an asymmetric memory: the system remembers what the user has done, but not what it has previously recommended or learned from the resulting feedback. Consequently, useful preference-validation signals, potential negative evidence, and historical exploration information cannot be directly reused across requests. To address these limitations, we propose LoopMemGR, a closed-loop recommendation experience memory framework for generative recommendation. In addition to the conventional behavior log, LoopMemGR maintains a recommendation experience log that records past recommendation--feedback trajectories. It extracts request-relevant evidence through three complementary views: the recency view captures short-term interaction dynamics, the frequency view summarizes recurring recommendation patterns, and the global view distills transferable regularities shared across users. These signals are compressed into a fixed number of experience tokens to condition the generative backbone under a bounded input budget. Extensive experiments on an industrial Taobao dataset demonstrate the effectiveness of closed-loop experience accumulation and multi-view experience extraction.
- Abstract（参考訳）: 生成レコメンデーションは、離散セマンティックID上での条件付き自己回帰生成として次点予測を定式化し、大規模アイテム空間上でのエンドツーエンドのレコメンデーションを可能にする。
しかし,既存の手法の多くは,要求後のシステム側推薦決定を破棄しながら,行動履歴からのユーザの嗜好を再現する,履歴・アズ・コンテクストのパラダイムを踏襲している。
システムはユーザが行ったことを記憶するが、これまで推奨していたことや、結果のフィードバックから学んだことは記憶しない。
その結果、有用な選好検証信号、潜在的な否定的な証拠、過去の調査情報は、リクエスト間で直接再利用することはできない。
これらの制約に対処するため、我々は、生成的レコメンデーションのためのクローズドループレコメンデーションエクスペリエンスメモリフレームワークであるLoopMemGRを提案する。
従来の振舞いログに加えて、LoopMemGRはレコメンデーションを過去のレコメンデーション-フィードバックトラジェクトリを記録するレコメンデーションエクスペリエンスログを維持している。
遅延ビューは、短期的な相互作用のダイナミクスを捉え、周波数ビューは繰り返しのレコメンデーションパターンを要約し、グローバルビューは、ユーザ間で共有される転送可能な正規性を蒸留する。
これらの信号は一定の数の経験トークンに圧縮され、境界入力予算の下で生成バックボーンを条件付ける。
産業用タオバオデータセットの大規模実験により,クローズドループ体験蓄積とマルチビュー体験抽出の有効性が示された。
関連論文リスト
- RecRec: Latent Interests Recursive Reasoning for Sequential Recommendation [52.23179023639867]
逐次リコメンデータシステムは、ユーザインタラクションをエンコードし、次の項目を予測するために、1つのフォワードパスに依存している。
シーケンシャルなレコメンデーションのための推論プロセスをどのように構成するかは、未解決の問題である。
既存のアプローチでは、推論と予測を単一の$d$次元の状態に分割し、推論の深さを制限する。
本稿ではRLフリーフレームワークRecRec(Recursive Reasoning for Recommendation)を提案する。
論文 参考訳（メタデータ） (2026-07-14T16:28:28Z) - RecRec: Recursive Refinement for Sequential Recommendation [2.134948383299948]
逐次リコメンデータシステムは、通常、反復的な洗練を伴わずに、インタラクション履歴のシングルパス符号化を通じて、ユーザの好みを推測する。
本稿では,コンパクトな潜伏状態を維持する軽量モデルRecRecを提案する。
実験の結果、RecRecは3.9Mから14Mのパラメータしか使用せず、最先端のシーケンシャル、グラフベース、推論強化のレコメンデータと一致または性能を向上することが示された。
論文 参考訳（メタデータ） (2026-07-12T02:53:17Z) - 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) - HyMiRec: A Hybrid Multi-interest Learning Framework for LLM-based Sequential Recommendation [24.720767926024433]
HyMiRecは、大規模言語モデルのためのハイブリッドシーケンシャルレコメンデーションフレームワークである。
長いユーザシーケンスから粗い関心埋め込みを抽出し、洗練された関心埋め込みをキャプチャするためのLLMベースのレコメンデータを抽出する。
ユーザの多様な嗜好をモデル化するために,不整合型多目的学習モジュールを設計する。
論文 参考訳（メタデータ） (2025-10-15T16:45:59Z) - Improving Sequential Recommenders through Counterfactual Augmentation of System Exposure [75.45798019935947]
シーケンシャルレコメンデーション(CaseRec)のためのシステム露出に対する反ファクト改善を提案する。
CaseRecは、異なる露出報酬を考慮に入れた強化学習を導入する。
拡張項目に対するユーザフィードバック報酬を予測するために,トランスフォーマーベースのユーザシミュレータを提案する。
論文 参考訳（メタデータ） (2025-04-18T05:46:27Z) - Think Before Recommend: Unleashing the Latent Reasoning Power for Sequential Recommendation [23.546871718624605]
提案するTextbfReaRecは,レコメンデータシステムのための最初の推論時間計算フレームワークである。
ReaRecはシーケンスの最後の隠された状態をシーケンシャルレコメンデータに自動的にフィードする。
本稿では2つの軽量推論に基づく学習手法,ERL(Ensemble Reasoning Learning)とPRL(Progressive Reasoning Learning)を紹介する。
論文 参考訳（メタデータ） (2025-03-28T17:59:03Z) - Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。
本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。
従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文 参考訳（メタデータ） (2022-07-04T17:58:39Z) - Improving Sequential Query Recommendation with Immediate User Feedback [6.925738064847176]
本稿では,対話型データ探索設定における次のクエリレコメンデーションのためのアルゴリズムを提案する。
人気のあるオンライン文献発見サービスからログファイルを用いて大規模な実験を行った。
論文 参考訳（メタデータ） (2022-05-12T18:19:24Z) - Replay For Safety [51.11953997546418]
経験的なリプレイでは、過去の遷移はメモリバッファに格納され、学習中に再使用される。
適切なバイアスサンプリング方式を用いることで,エファンセーフなポリシーを実現できることを示す。
論文 参考訳（メタデータ） (2021-12-08T11:10:57Z) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳（メタデータ） (2020-05-21T12:28:59Z)
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。