論文の概要: EchoRec: Multi-Item Prediction-Empowered Generative Recommendation via Cycle-Consistent Preference Alignment

• arxiv url: http://arxiv.org/abs/2608.14011v1
• Date: Fri, 14 Aug 2026 06:59:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.298066
• Title: EchoRec: Multi-Item Prediction-Empowered Generative Recommendation via Cycle-Consistent Preference Alignment
• Title（参考訳）: EchoRec: サイクル一貫性推論アライメントによる多項目予測を利用した生成レコメンデーション
• Abstract要約: 生成レコメンデーションは、ターゲット項目のセマンティックIDを自己回帰的に生成し、共有トークン空間内の嗜好モデリングとインデックス検索を統合する。 近年の試行ではMTP(Multi-Token Prediction)を導入しているが、その効率性は主に継承され、密集した監視対象としての可能性は未解明のままである。 提案するEchoRecは,マルチホライゾンにまたがるサイクル一貫性の全体的嗜好アライメントをMPPに付与し,生成的レコメンデーションを実現する。
• 参考スコア（独自算出の注目度）: 57.08595331216049
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation autoregressively generates the semantic IDs of the target item, unifying preference modeling and index retrieval within the shared token space. Recent attempts have introduced Multi-Token Prediction (MTP) into this field, yet they primarily inherit its efficiency merit, leaving its potential as dense supervision unexplored. Unlocking this potential hinges on whether future behaviors qualify as informative supervision. Our analysis reveals that future behaviors carry a semantic echo of the current one far above that of random pairs, which nevertheless decays along horizons under intent transitions, making them informative yet order-dependent signals. Motivated by this, we propose EchoRec, which empowers MTP with cycle-consistent holistic preference alignment across multi-horizon for generative recommendation. It comprises two synergistic modules. Horizon-aware Preference Generation (HPG) sequentially chains lightweight auxiliary branches upon the base recommender, where each branch conditions on its predecessor to respect preference evolution. Verifiable Holistic-Preference Alignment (VHA) further consolidates them into the holistic preference and echoes it back through cycle-consistent projectors to suppress spurious alignment, with theoretical guarantees that exclude the rank-collapse form of spurious alignment under an invertible transport, enabling the holistic preference to be retained in the decoding representation. All auxiliary components serve as disposable scaffolding discarded at inference, introducing negligible online serving overhead. Extensive experiments on three datasets demonstrate the superiority of our EchoRec, together with its naturally acquired multi-item generation ability. Our code and datasets will be available upon acceptance.
• Abstract（参考訳）: 生成レコメンデーションは、ターゲット項目のセマンティックIDを自己回帰的に生成し、共有トークン空間内の嗜好モデリングとインデックス検索を統合する。 近年、MTP(Multi-Token Prediction)がこの分野に導入されているが、その効率性は主に受け継がれている。 この可能性を解き放つことは、将来の行動が情報的監督の資格を持つかどうかに焦点をあてる。 我々の分析により、将来の行動は、意図的遷移の下で地平線に沿って崩壊するが、情報的かつ順序に依存しない信号であるランダムペアよりもはるかに高い電流のセマンティックエコーを持つことが明らかとなった。 提案するEchoRecは,マルチホライゾンにまたがるサイクル一貫性の全体的嗜好アライメントを付与し,生成的レコメンデーションを実現する。 2つの相乗的加群からなる。 Horizon-Aware Preference Generation (HPG) は、ライトウェイトな補助枝をベースレコメンデータに順次チェーンし、各分岐条件は前者の優先進化を尊重する。 Verible Holistic-Preference Alignment (VHA) はさらにこれらを全体論的選好に集約し、サイクル一貫性のあるプロジェクタを通してそれを反響させ、非可逆輸送下での急激なアライメントのランク-崩壊形式を排除し、全体論的選好を復号表現に保持する理論的な保証を与える。 すべての補助コンポーネントは推論時に廃棄される使い捨ての足場として機能し、オンラインサービスオーバーヘッドを無視する。 3つのデータセットに対する大規模な実験は、自然に取得したマルチテム生成能力とともに、EchoRecの優位性を示しています。 コードとデータセットは受け入れ次第利用可能になります。

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)
• 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)
• Guess Where You Go: Generative Next Point-of-Interest Recommendation in Amap [12.259216278301743]
  本稿では,意味的識別子(SID)生成と生成的ポイント・オブ・インテリジェンス(POI)レコメンデーションを統合するエンド・ツー・エンドの産業フレームワークを提案する。 GwhereはAmapのホームページサービスに,高コンカレンシーと低レイテンシの制約の下でデプロイされる。 長期のオンラインA/Bテストでは、P-CTRが5.83%、U-CTRが6.20%改善された。
  論文  参考訳（メタデータ） (2026-07-13T15:44:06Z)
• HoloRec: Holistic Encoding and Interleaved Reasoning for Generative Recommendation [57.802158017741824]
  HoloRecは、表現、推論、生成を統一する内因性連鎖レコメンデーションメカニズムである。 複数のパブリックレコメンデーションデータセットの実験は、HoloRecが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。
  論文  参考訳（メタデータ） (2026-06-13T14:52:03Z)
• 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)
• Asymmetric Generative Recommendation via Multi-Expert Projection and Multi-Faceted Hierarchical Quantization [39.92412918837748]
  AsymRecは、入力と出力の表現を分離する非対称な連続離散フレームワークである。 常に最先端のジェネレーティブ・レコメンデーターを平均15.8%上回っている。
  論文  参考訳（メタデータ） (2026-05-14T07:55:43Z)
• Empowering Contrastive Federated Sequential Recommendation with LLMs [13.016120865205258]
  フェデレートシーケンシャルレコメンデーション(FedSeqRec)は、ユーザのデータを分散化しながら、次のイテム予測を実行することを目的としている。 パラメータ分離型FedSeqRecアーキテクチャである textbfLUMOS を提案する。
  論文  参考訳（メタデータ） (2026-02-10T00:47:43Z)
• Generative Chain of Behavior for User Trajectory Prediction [21.55902608247895]
  Generative Chain of Behavior(GCB)は、ユーザインタラクションを、複数の将来のステップにおけるセマンティックな振る舞いの自己回帰連鎖としてモデル化する、ジェネレーティブなフレームワークである。 GCBは、多段階の精度と軌道整合性において、最先端のシーケンシャルレコメンデータよりも一貫して優れている。
  論文  参考訳（メタデータ） (2026-01-26T06:57:31Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity [59.24517649169952]
  我々は,表現退化問題は,既存のSR手法における推奨の多様性の欠如の根本原因であると主張している。 Singular sPectrum sMoothing regularization for Recommendation (SPMRec)を提案する。
  論文  参考訳（メタデータ） (2023-06-21T02:42:37Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)

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。