論文の概要: FSGR: Mitigating Token Frequency Bias for Fair SID-Based Generative Recommendation
- arxiv url: http://arxiv.org/abs/2608.12845v1
- Date: Thu, 13 Aug 2026 05:34:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.406764
- Title: FSGR: Mitigating Token Frequency Bias for Fair SID-Based Generative Recommendation
- Title（参考訳）: FSGR:公正なSIDに基づく生成レコメンデーションのためのトークン周波数バイアスの緩和
- Authors: Yuchen Zheng, Sihan Xu, Jingwen Yang, Xiangrui Cai, Haiwei Zhang, Xiaojie Yuan,
- Abstract要約: 既存の方法は 以前見過ごされた 公平な問題に悩まされる
高周波SIDトークンは体系的に過剰予測され、低周波SIDトークンは過大予測される。
我々は,SIDに基づく生成レコメンデーションのための公正度最適化フレームワークである textbfFSGR を提案する。
- 参考スコア（独自算出の注目度）: 25.80414868076466
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Semantic ID (SID)-based generative recommendation has recently achieved remarkable success. However, existing methods suffer from a previously overlooked fairness issue, which we term \textbf{Token Frequency Bias}, where high-frequency SID tokens are systematically over-predicted while low-frequency SID tokens are under-predicted. This bias originates from the combined effects of imbalanced semantic codebooks during SID construction, and popularity bias together with the maximum likelihood estimation objective during recommendation training, resulting in unfair exposure across item categories. Existing SID methods mainly focus on improving codebook quality and overlook the impact of token frequency imbalance on downstream recommendation fairness, while LLM debiasing methods often yield suboptimal results when directly applied to SID-based recommendation, due to the hierarchical semantics of SID tokens. To address this issue, we propose \textbf{FSGR}, a fairness optimization framework for SID-based generative recommendation. During SID construction, FSGR employs OT-based Assignment Optimization and Dual-Criteria Re-anchor mechanism to form a more balanced SID representation space. During recommendation training, it adopts a two-stage training strategy and introduces Hierarchical Frequency Calibration for layer-specific fairness fine-tuning. Experiments on three public datasets with three backbone models demonstrate that FSGR mitigates token frequency bias and delivers an average Gini fairness improvement of over 20\% while maintaining competitive recommendation accuracy.
- Abstract（参考訳）: セマンティックID(SID)をベースとしたジェネレーティブレコメンデーションは,近年顕著な成功を収めている。
しかし、既存の手法では従来見過ごされていたフェアネスの問題に悩まされ、これは「textbf{Token Frequency Bias}」と呼ばれ、高周波SIDトークンは体系的に過大予測され、低周波SIDトークンは過小予測される。
このバイアスは、SID構築中の不均衡なセマンティック・コードブックの効果と、推薦トレーニング中の最大推定目標とが組み合わさって、アイテムカテゴリ間で不公平な露出をもたらすことに起因している。
既存のSID手法は主にコードブックの品質向上に重点を置いており、トークン周波数の不均衡が下流の推薦フェアネスに与える影響を見落としている。
この問題に対処するために、SIDに基づく生成レコメンデーションのための公正度最適化フレームワークである \textbf{FSGR} を提案する。
SID構築中、FSGRはよりバランスの取れたSID表現空間を形成するためにOTベースのアサインメント最適化とデュアルクリートリア再アンカー機構を採用している。
レコメンデーショントレーニングでは、2段階のトレーニング戦略を採用し、階層的な周波数キャリブレーションを導入し、レイヤ固有の公正さを微調整する。
3つのバックボーンモデルによる3つの公開データセットの実験では、FSGRはトークン周波数バイアスを緩和し、競合レコメンデーションの精度を維持しながら、平均20倍以上のGiniフェアネス改善を提供する。
関連論文リスト
- Hierarchical Residual Policy Optimization for Generative Recommendations [46.030303420508254]
本稿では,アイテムレベルの結果を高密度なトークン整合学習信号に変換するポストトレーニングフレームワークを提案する。
大規模な商用システムにおける公開データセットとオンラインA/Bテストの実験は、セッションレベルのユーティリティと重要なビジネスメトリクスが一貫して向上していることを示している。
論文 参考訳（メタデータ） (2026-08-01T16:33:15Z) - Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment [54.58748721533078]
ポストホックフェアネス適応(Post-hoc Fairness Adaptation, PFA)は、フリーズレコメンデータにフェアネスアダプタを装備する軽量フレームワークである。
ユーザアイコンの埋め込みから、フェアネスに対するステアプロバイダの露出まで、パーソナライズされた加算点調整を学習する。
PFAは無視できる精度の損失を伴ってかなりの公平性を達成し、一貫して強いベースラインを上回ります。
論文 参考訳（メタデータ） (2026-05-02T16:32:52Z) - Beyond Static Collision Handling: Adaptive Semantic ID Learning for Multimodal Recommendation at Industrial Scale [20.066503602593958]
AdaSIDは2段階のプロセスを通じてSIDオーバーラップを制御する。
関連する項目が意味的に互換性がある場合、観察された重複に対する反発を緩和する。
局所的な衝突負荷と訓練の進捗に応じて、残りの規制圧力を割り当てる。
論文 参考訳（メタデータ） (2026-04-26T03:59:35Z) - 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) - DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding [59.16244104797919]
本稿では,リスク制約付き復号法(DARC)*による分散アライメント(Disagreement-Aware Alignment)を提案する。
DARCは応答選択を、分布的に堅牢で、リスクに敏感な意思決定として捉えている。
アライメントベンチマークの実験では、DARCは競合平均品質を維持しながら、不一致と尾のリスクを低減する。
論文 参考訳（メタデータ） (2026-03-09T09:21:29Z) - IntRR: A Framework for Integrating SID Redistribution and Length Reduction [14.327886721362647]
目的整合SID再分配と構造長削減を統合した新しいフレームワークであるIntRRを提案する。
IntRRは、代表的な生成ベースラインよりも大幅に改善され、推奨精度と効率の両方で優れた性能を達成する。
論文 参考訳（メタデータ） (2026-02-24T09:09:40Z) - End-to-End Semantic ID Generation for Generative Advertisement Recommendation [33.453121305193434]
生成広告推薦のための統一SID生成フレームワークを提案する。
具体的には、生の広告データからエンドツーエンドで埋め込みとSIDを協調的に最適化する。
実験により、UniSIDは最先端のSID生成方法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2026-02-11T02:38:26Z) - DenseGRPO: From Sparse to Dense Reward for Flow Matching Model Alignment [49.45064510462232]
テキスト・画像生成のためのGRPOベースのアプローチは、スパース報酬問題に悩まされる。
textbfDenseGRPOは、人間の好みと深い報酬を一致させる新しいフレームワークである。
論文 参考訳（メタデータ） (2026-01-28T03:39:05Z) - 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)
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。