論文の概要: Restoring Collaborative Signals in Semantic-ID Generative Recommendation via Personalized Natural Language
- arxiv url: http://arxiv.org/abs/2607.27682v1
- Date: Thu, 30 Jul 2026 04:58:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.399525
- Title: Restoring Collaborative Signals in Semantic-ID Generative Recommendation via Personalized Natural Language
- Title（参考訳）: パーソナライズされた自然言語を用いたセマンティックID生成勧告における協調信号の復元
- Authors: Changjiang Han, Qingyang Li, Yaqiang Zang, Jikun Kang, Pinghua Gong, Xue Liu, Bowei He,
- Abstract要約: LLMに基づく生成レコメンデーションモデルでは、アイテムのセマンティックID(SID)の自動回帰生成として推奨される。
この設定はモデルの知識を粗末に表現し、テキストとSIDトークンは不整合な埋め込み空間に生息する。
モデルが生成する階層的な協調的手がかりを付加する,パーソナライズされた自然言語でガイドされるフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 14.28332940068789
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Making LLM-based generative recommendation models stronger and more personalized through natural language and explicit reasoning is a widely anticipated yet still unsolved goal. Such models cast recommendation as autoregressively generating an item's semantic-ID (SID), a short tuple of discrete codes, so that recommending well reduces to emitting the right SID. In this setting the model verbalizes its knowledge poorly, and text and SID tokens live in misaligned embedding spaces. Deep reasoning therefore rarely turns into a correct SID, and enabling explicit "thinking" often gives no gain or even hurts. The deeper cause is that a compact SID cannot hold content and collaborative signal at once: the two compete, and collaboration loses. Because a mis-predicted SID is a wrong recommendation, this caps accuracy directly. Costly multi-round training barely helps, and few methods try to supply the missing signal at inference time. What is missing is a reliable channel that carries collaborative signal into SID generation. We therefore propose a framework, guided by personalized natural language, that adds hierarchical collaborative cues as the model generates, without altering the backbone or retraining the SIDs. Rather than mapping language onto SIDs directly, it uses language to attach analyzable links between collaborative patterns and their audiences, restoring the collaborative signal that SIDs miss. The result is consistent gains in recommendation accuracy, grounding generation in collaborative structure at inference time rather than relying on explicit reasoning or retraining.
- Abstract（参考訳）: LLMベースの生成レコメンデーションモデルをより強く、自然言語や明示的な推論を通じてパーソナライズするというのは、広く期待されているが未解決の目標である。
このようなモデルは、アイテムのセマンティックID(SID)を自動回帰的に生成するように推奨する。
この設定では、モデルはその知識をあまり言葉化せず、テキストとSIDトークンは不整合な埋め込み空間に住んでいます。
したがって、深い推論が正しいSIDになることは滅多になく、明示的な"思考"を可能にすることで、利益が得られず、傷つくことも少なくない。
より深い原因は、コンパクトなSIDがコンテントとコラボレーティブなシグナルを同時に保持できないことである。
誤予測されたSIDは間違ったレコメンデーションなので、これは直接的に精度を落とします。
高価なマルチラウンドトレーニングは、ほとんど役に立たないが、推論時に行方不明の信号を供給しようとする手法はほとんどない。
欠けているのは、SID生成に協調的な信号を運ぶ信頼性の高いチャネルです。
そこで本研究では,モデルが生成する階層的な協調手段を,バックボーンの変更やSIDの再訓練を伴わずに,パーソナライズされた自然言語でガイドするフレームワークを提案する。
言語を直接SIDにマッピングするのではなく、言語を使って協調的なパターンとオーディエンスの間の分析可能なリンクをアタッチし、SIDが見逃すコラボレーティブシグナルを復元する。
結果は、明確な推論や再訓練に頼るのではなく、推論時に協調構造の生成を基礎にすることで、レコメンデーションの精度が一貫して向上する。
関連論文リスト
- 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) - 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) - Mitigating Collaborative Semantic ID Staleness in Generative Retrieval [0.0]
セマンティックID(SID)を用いた生成検索では,各項目を個別の識別子として割り当て,シーケンス生成問題として扱う。
相互作用パターンが時間とともに漂うにつれて、SIDは時代遅れになり、コラボレーティブセマンティクスは最近のログともはや一致しない。
本稿では,軽量でモデルに依存しないSIDアライメント更新を提案する。
論文 参考訳（メタデータ） (2026-04-14T20:06:48Z) - 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) - 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) - The Best of the Two Worlds: Harmonizing Semantic and Hash IDs for Sequential Recommendation [51.62815306481903]
我々は,SIDとHIDを調和させる新しいフレームワークであるtextbfnameを提案する。具体的には,HIDのユニークなコラボレーティブアイデンティティを保ちながら,SID内のマルチグラニュラーセマンティクスの両方をキャプチャ可能な,デュアルブランチモデリングアーキテクチャを考案する。
実世界の3つのデータセットの実験では、名前は、既存のベースラインを越えながら、頭と尾の両方の推奨品質のバランスをとる。
論文 参考訳（メタデータ） (2025-12-11T07:50:53Z) - 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) - EAGER-LLM: Enhancing Large Language Models as Recommenders through Exogenous Behavior-Semantic Integration [60.47645731801866]
大規模言語モデル(LLM)は、高度なレコメンデータシステムの基本バックボーンとしてますます活用されている。
LLMは事前訓練された言語意味論であるが、llm-Backboneを通してゼロから協調意味論を学ぶ。
内因性行動情報と内因性行動情報とを非侵襲的に統合するデコーダのみの生成推薦フレームワークであるEAGER-LLMを提案する。
論文 参考訳（メタデータ） (2025-02-20T17:01:57Z) - Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。
LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
論文 参考訳（メタデータ） (2024-05-12T15:49:38Z)
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。