論文の概要: Auditing Semantic Gains in Sequential Recommendation: A Lightweight Recovery Test
- arxiv url: http://arxiv.org/abs/2608.01260v1
- Date: Sun, 02 Aug 2026 14:15:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.132934
- Title: Auditing Semantic Gains in Sequential Recommendation: A Lightweight Recovery Test
- Title（参考訳）: シークエンシャルレコメンデーションにおけるセマンティック・ゲインの評価:軽量回復試験
- Abstract要約: LIME-Recは軽量で監査可能なリカバリテストである。
Amazon Beauty、Toys、Sportsでは、LIME-RecのR@10スコアは0.0996、0.1105、0.0593で、比較ベースラインの7.0%-12.0%を上回っている。
- 参考スコア（独自算出の注目度）: 7.178806077458429
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent semantic and generative-retrieval recommenders report substantial improvements over ID-only sequential baselines, but it remains unclear whether these gains arise from language-model reasoning, semantic-ID generation, end-to-end semantic architectures, stronger offline item representations, or complementary semantic and collaborative signals. We investigate this attribution ambiguity through LIME-Rec, a lightweight and auditable recovery test. LIME-Rec combines three independent experts: a SASRec sequential expert, an ItemCF co-occurrence expert, and a semantic expert based on frozen BAAI/bge-base-en-v1.5 item embeddings. Their full-catalog scores are normalized per user and combined through auditable score-level fusion followed by bounded history calibration. The fusion gate and calibration head are fitted on validation data only, require no serving-time language-model inference, and keep each expert contribution separately inspectable. On Amazon Beauty, Toys, and Sports, LIME-Rec achieves R@10 scores of 0.0996, 0.1105, and 0.0593, outperforming the strongest comparison baseline by 7.0%-12.0%. Three-expert fusion without history calibration consistently outperforms calibrated SASRec, showing that calibration alone does not explain the recovery. Randomly permuting item-text embeddings across item IDs reduces R@10 by 13.6%-17.5%, indicating that the gains depend on genuine item-text correspondence rather than additional representation capacity. These results suggest that lightweight recovery from offline item representations and transparent fusion should be ruled out before improvements are attributed to serving-time language modeling, semantic-ID generation, or heavier semantic machinery.
- Abstract（参考訳）: 近年のセマンティックおよび生成検索の推奨者は、IDのみのシーケンシャルベースラインよりも大幅に改善されていると報告しているが、これらが言語モデル推論、セマンティックID生成、エンドツーエンドセマンティックアーキテクチャ、より強力なオフラインアイテム表現、補完的なセマンティックおよび協調的な信号から生じるのかは定かではない。
軽量で監査可能な回復テストであるLIME-Recを用いて,この属性の曖昧さについて検討する。
LIME-Recは、SASRecシーケンシャルエキスパート、ItemCFコクレンスエキスパート、凍結したBAAI/bge-base-en-v1.5アイテムの埋め込みに基づくセマンティックエキスパートの3つの独立した専門家を組み合わせている。
それらのフルカタログスコアは、ユーザ毎に正規化され、監査可能なスコアレベルの融合と、境界付き履歴キャリブレーションによって結合される。
融合ゲートと校正ヘッドは、バリデーションデータのみに装着され、サーブタイム言語モデル推論を必要とせず、各専門家のコントリビューションを別々に検査可能である。
Amazon Beauty、Toys、Sportsでは、LIME-RecのR@10スコアは0.0996、0.1105、0.0593で、比較ベースラインの7.0%-12.0%を上回っている。
履歴キャリブレーションのない3つの実験核融合は、常にSASRecのキャリブレーションよりも優れており、キャリブレーションだけではリカバリを説明できない。
アイテムID間のアイテムテキストのランダムな埋め込みは、R@10を13.6%から17.5%削減する。
これらの結果から,オフライン項目表現からの軽量なリカバリと透過的融合は,サービス時言語モデリング,セマンティックID生成,あるいは重大意味機械による改善よりも先に排除されるべきであることが示唆された。
関連論文リスト
- REER-PT: Reverse-Engineered Reasoning for Perplexity-Guided Pre-training Data Augmentation [64.84437332310516]
我々は,Reverse-Engineered Reasoning (REER) を生の事前学習データに拡張するスケーラブルなフレームワークである textbfREER-PT を紹介する。
REER-PTは予測が難しいが、それ以前のコンテキストから推論できる継続を識別し、コンテキストと継続の間の欠落した接続を再構築する簡潔な推論アノテーションを挿入する。
このスパース変換は、ソーステキストを保存し、トレーニング前のオンライン推論ロールアウトを避けることで、標準的な次世代の予測と互換性を維持します。
論文 参考訳（メタデータ） (2026-08-31T11:34:19Z) - Build it, Break it, Repeat: Benchmarking and improving LLM-manipulated disinformation detection in social media posts [5.771687318105755]
この記事はBuild it, Break it, Fix it framework into Build, Break it, Repeat (BiBiR)に適合する。
BiBiR: 反復対向条件下で検出器の堅牢性をストレステストするために設計された反復セッション。
その結果、最高の逆転ブレーカーの変換は、バックトランスレーションとペルソナベースの書き換えの組み合わせによるものであることが判明した。
論文 参考訳（メタデータ） (2026-08-10T12:13:41Z) - SISA-Rec: A Semantically Integrated Sequential Recommender with Contrastive Alignment [0.0]
セマンティックコンテキストを直接逐次モデリングに組み込むトランスフォーマーベースのフレームワークであるSISA-Recを紹介する。
当社のアプローチでは,アイテムIDの埋め込みとBERTベースのテキスト埋め込みをゲート融合モジュール経由で融合する。
ベイジアン・パーソナライズド・ランキング(BPR)とコントラストアライメント・アライメント・ロスを組み合わせた共同学習の目的は、基礎となる行動空間と意味空間を整合させる。
論文 参考訳（メタデータ） (2026-07-13T07:03:51Z) - Auditing Forgetting in Limited Memory Language Models [0.0]
既存の評価は、集合体の削除後の正しさを測定する。
本稿では,モデルが固定され,推論時にデータベースの状態が変化する因果監査フレームワークを提案する。
これを13のデータベースで12,228のエイリアス削除に適用する。
論文 参考訳（メタデータ） (2026-07-01T08:30:28Z) - PerceptionRubrics: Calibrating Multimodal Evaluation to Human Perception [75.70273182182397]
PerceptionRubricsはルーブリックベースの評価フレームワークである。
飽和ベンチマークスコアと現実世界の脆さのギャップに対処する。
1,038枚のインフォメーションセンス画像と1万個以上のインスタンス固有のルーリックをペアリングする。
論文 参考訳（メタデータ） (2026-06-26T17:59:15Z) - On the Limits of LLM Adaptability: Impact of Model-Internalized Priors on Annotation Task Performance [0.7303825588015752]
そこで本研究では,ユーザが提供する命令とモデルインターナライズドプリエントがどのように相互作用するかを検討する。
ゼロショット誤差の3分の2近くが修正に抵抗していることが判明した。
高信頼誤差は特に修正に耐性がある。
論文 参考訳（メタデータ） (2026-05-30T01:21:14Z) - Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs [55.78708003681562]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)における幻覚を、生成時に外部知識を取り入れることで緩和する。
既存のRAGアプローチは通常、コンテキストとしてテキストフラグメントを検索し、非構造化する。
本稿では,三重項に基づく検索フレームワークTri-RAGを提案する。
論文 参考訳（メタデータ） (2026-04-14T11:36:29Z) - Not All Queries Need Rewriting: When Prompt-Only LLM Refinement Helps and Hurts Dense Retrieval [0.11280931253550518]
最適化された垂直領域では,プロンプトのみの書き換えが有害であることを示す。
我々は一貫したメカニズムを同定する: 語彙のアライメントを減らした項を共起的に書き換える。
ドメイン適応的なポストトレーニングは、監督や暗黙のフィードバックが利用可能であれば、より安全な戦略であると提案する。
論文 参考訳（メタデータ） (2026-03-02T10:40:10Z) - gSASRec: Reducing Overconfidence in Sequential Recommendation Trained
with Negative Sampling [67.71952251641545]
負のサンプリングで訓練されたモデルは、正の相互作用の確率を過大評価する傾向がある。
本稿では, 一般化二項クロスエントロピー損失関数(gBCE)を提案する。
本稿では,gSASRecが過信問題を示さない3つのデータセットについて詳細な実験を行った。
論文 参考訳（メタデータ） (2023-08-14T14:56:40Z) - On-the-fly Text Retrieval for End-to-End ASR Adaptation [9.304386210911822]
本稿では,部分的ASR仮説に対して,外部テキストコーパスから可算完了を抽出する検索言語モデルを用いてトランスデューサベースのASRモデルを強化することを提案する。
実験の結果,提案モデルにより,一対の質問応答データセット上でのトランスデューサベースラインの性能が大幅に向上することがわかった。
論文 参考訳（メタデータ） (2023-03-20T08:54:40Z) - Retrieval-based Disentangled Representation Learning with Natural
Language Supervision [61.75109410513864]
本稿では,VDR(Vocabulary Disentangled Retrieval)を提案する。
提案手法では,両エンコーダモデルを用いて語彙空間におけるデータと自然言語の両方を表現する。
論文 参考訳（メタデータ） (2022-12-15T10:20:42Z) - Sparse Conditional Hidden Markov Model for Weakly Supervised Named
Entity Recognition [68.68300358332156]
雑音ラベリング機能を評価するために,スパース条件付き隠れマルコフモデル(Sparse-CHMM)を提案する。
Sparse-CHMMは、3段階のトレーニングパイプラインで教師なし学習によって最適化される。
5つの包括的なデータセットで平均F1スコアが3.01向上する。
論文 参考訳（メタデータ） (2022-05-27T20:47:30Z)
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。