論文の概要: SITA: Semantic Interest Tokens for Target-Aware Compression in Long-Sequence Recommendation

• arxiv url: http://arxiv.org/abs/2608.03692v1
• Date: Tue, 04 Aug 2026 13:59:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 07:04:20.726886
• Title: SITA: Semantic Interest Tokens for Target-Aware Compression in Long-Sequence Recommendation
• Title（参考訳）: SITA:長期勧告における目標認識圧縮のための意味的関心トークン
• Authors: Rui Zhou, Bo Chen, Qinglin Jia, Jiezhou Ji, Chaoyi Ma, Ruiming Tang, Hao Wang, Enhong Chen,
• Abstract要約: 提案するTextbfSITAは,長期的推薦のための圧縮フレームワークである。 SITAは、対象固有のユーザ表現を構築するために、対応する構造化された関心を適応的に集約する。 公開データセットと大規模産業データセットの実験は、SITAが代表的ベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 69.02976266748193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As user behavior histories continue to grow on modern Internet platforms, effectively modeling long behavior sequences has become crucial for predicting user interests in candidate items. Existing methods have evolved along two directions. One line dynamically retrieves target-relevant behaviors from long histories, enabling target-aware modeling but requiring target-dependent computation during inference. The other line compresses entire behavior sequences into compact user representations, achieving high efficiency and scalability but sacrificing target-specific adaptation due to target-independent encoding. The key challenge is therefore to enable target-aware modeling while preserving the efficiency and scalability of compressed user representations. To address this challenge, we propose \textbf{SITA}, a target-aware compression framework for long-sequence recommendation. SITA enables target-aware compression by organizing compressed interests into semantic structures through semantic identifiers learned via parallel semantic quantization. Conditioned on the semantic identifier of the target item, SITA adaptively aggregates the corresponding structured interests to construct the target-specific user representation. Extensive experiments on public datasets and a large-scale industrial dataset demonstrate that SITA consistently outperforms representative baselines while maintaining strong scalability, highlighting its strong potential for real-world recommender systems.
• Abstract（参考訳）: 現代のインターネットプラットフォームではユーザ行動履歴が増加し続けており、候補項目におけるユーザの興味を予測するためには、効果的に長い行動系列をモデル化することが重要である。 既存の方法は2方向に沿って進化してきた。 1行は、ロングヒストリーからターゲット関連挙動を動的に検索し、ターゲット認識モデリングを可能にするが、推論中にターゲット依存の計算を必要とする。 他の行は、全動作シーケンスをコンパクトなユーザ表現に圧縮し、高い効率とスケーラビリティを実現するが、ターゲット非依存符号化によるターゲット固有の適応を犠牲にする。 したがって、鍵となる課題は、圧縮されたユーザ表現の効率性とスケーラビリティを保ちながら、ターゲット認識モデリングを可能にすることである。 この課題に対処するために,長期的推薦のためのターゲット対応圧縮フレームワークである \textbf{SITA} を提案する。 SITAは、並列セマンティック量子化によって学習されたセマンティック識別子を通じて、圧縮された関心をセマンティック構造にまとめることで、ターゲット認識圧縮を可能にする。 SITAは、対象項目のセマンティック識別子に基づいて、対応する構造化された関心事を適応的に集約し、ターゲット固有のユーザ表現を構築する。 公開データセットと大規模産業データセットに関する大規模な実験は、SITAが強力なスケーラビリティを維持しながら、代表的ベースラインを一貫して上回り、現実世界のレコメンデータシステムに対する強力な可能性を強調していることを示している。

関連論文リスト

• Collaborative Memory Augmentation for Generative Recommendation [49.76630658239287]
  我々は、ジェネレーティブ・リコメンデーションのためのcOllaborative MEmory拡張フレームワークであるtextbfOMEGAを提案する。 まず、学習可能なクエリトークンを用いて、逐次的ユーザ動作をコンパクトな表現に変換する潜在コンテキスト圧縮手法を提案する。 これらの圧縮された表現は、協調的なメモリバンクに集約され、グローバルな行動パターンの明示的なリポジトリとして機能する。
  論文  参考訳（メタデータ） (2026-08-02T15:34:43Z)
• Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation [18.573543141847317]
  不均一シーケンシャルレコメンデーション(HSR)は、ユーザとイテムの相互作用の多様な振る舞いから動的行動依存を学習し、正確なシーケンシャルレコメンデーションを促進することを目的としている。 重要な問題のひとつは、実世界のデータの本質的な疎さであり、レコメンデーションのパフォーマンスが低下する可能性があることだ。 我々は、行動認識型デュアルチャネル優先学習フレームワークを慎重に設計した。
  論文  参考訳（メタデータ） (2026-04-16T03:20:11Z)
• HiSAC: Hierarchical Sparse Activation Compression for Ultra-long Sequence Modeling in Recommenders [13.73393292649997]
  パーソナライズされたシーケンスモデリングのための効率的なフレームワークであるHiSACを提案する。 HiSACは対話を多レベルセマンティックIDにエンコードし、グローバルな階層的なコードブックを構築する。 階層的な投票機構は、パーソナライズされた利害関係者をきめ細かい選好センタとして活性化する。 ソフトルーティング・アテンション(Soft-Routing Attention)は、意味空間における歴史的信号を集約し、量子化誤差を最小限に抑えるために類似性によって重み付けする。
  論文  参考訳（メタデータ） (2026-02-24T15:28:58Z)
• CREM: Compression-Driven Representation Enhancement for Multimodal Retrieval and Comprehension [49.6969505536365]
  生成能力を保ちつつ、検索のためのマルチモーダル表現を強化する統一的なフレームワークであるCREMを提案する。 CREMはMMEB上での最先端検索性能を達成し,複数の理解ベンチマーク上での強力な生成性能を維持する。
  論文  参考訳（メタデータ） (2026-02-22T08:09:51Z)
• GEMs: Breaking the Long-Sequence Barrier in Generative Recommendation with a Multi-Stream Decoder [54.64137490632567]
  本稿では,長期的履歴からユーザのシーケンスをキャプチャする新しい統一フレームワークを提案する。 GEM(Generative Multi-streamer)は、ユーザのシーケンスを3つのストリームに分割する。 大規模産業データセットに対する大規模な実験により、GEMは推奨精度において最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-14T06:42:56Z)
• Unleash the Potential of Long Semantic IDs for Generative Recommendation [5.6264583086973685]
  ACERecは、きめ細かいトークン化と効率的なシーケンシャルモデリングのギャップを分離する新しいフレームワークである。 6つの実世界のベンチマークにおいて、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-14T03:15:31Z)
• 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)
• Unleashing the Potential of Sparse Attention on Long-term Behaviors for CTR Prediction [17.78352301235849]
  本研究では,ユーザの長期行動に特化して設計された効率的かつ効果的なモデルであるSparseCTRを提案する。 これらのチャンクに基づいて,ユーザのグローバルな関心を共同で識別する3枝のスパース自己認識機構を提案する。 SparseCTRは効率を向上するだけでなく、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-25T13:39:26Z)
• ENCODE: Breaking the Trade-Off Between Performance and Efficiency in Long-Term User Behavior Modeling [12.963611514800656]
  EfficieNt Clustering を用いた twO-stage interest moDEling (ENCODE) と呼ばれる2段階の効率的な長期配列モデリング手法を提案する。 オフラインの抽出段階では、ENCODEは全動作シーケンスをクラスタリングし、正確な関心を抽出する。 オンライン推論の段階では、ECNODEは、ターゲットアイテムとの関連性を予測するために、既成のユーザ関心を生かしている。
  論文  参考訳（メタデータ） (2025-08-19T06:58:21Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)

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。