論文の概要: The Disconnect Between Better Descriptive Reasoning Trace Quality and Recommendation Effectiveness

• arxiv url: http://arxiv.org/abs/2608.23154v1
• Date: Mon, 24 Aug 2026 11:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.041215
• Title: The Disconnect Between Better Descriptive Reasoning Trace Quality and Recommendation Effectiveness
• Title（参考訳）: より良い記述的推論のトレース品質と勧告の有効性の相違
• Abstract要約: 意味的IDと自然言語のタイトル間で記述的推論のトレース品質を比較検討した。 明示的な記述的推論トレースを導入することで、標準SFTおよびRLトレーニングにおける従来のオフラインレコメンデーションの有効性が低下することがわかった。
• 参考スコア（独自算出の注目度）: 10.20687507107012
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent work has focused on improving explicit natural-language descriptive reasoning traces for generative recommendation. This includes systems that augment semantic ID (SID) prediction with chain-of-thought reasoning. However, because SIDs are opaque learned identifiers rather than natural language, they require costly alignment before an LLM can reason over them. This provides a controlled experimental setting in which both item representation (Title vs. SID) and semantic grounding (minimal vs. extensive SID alignment) can be varied independently. We therefore present the first controlled comparison of descriptive reasoning trace quality across semantic IDs and natural-language titles in a 2 x 2 factorial study on three Amazon product domains using a shared Qwen3-1.7B backbone. We find that introducing explicit descriptive reasoning traces reduces traditional offline recommendation effectiveness under standard SFT and RL training, even though natural language titles produce substantially more grounded and interpretable traces. Extensive SID alignment improves descriptive trace quality but not traditional offline recommendation effectiveness, while a richer reward signal partially recovers performance. Overall, our results show that improving descriptive reasoning trace quality is not, by itself, sufficient to consistently improve traditional offline recommendation effectiveness under the training objectives and evaluation protocols studied here.
• Abstract（参考訳）: 最近の研究は、生成的レコメンデーションのための明示的な自然言語記述的推論トレースの改善に焦点を当てている。 これには、セマンティックID(SID)予測をチェーンオブソート推論で強化するシステムが含まれる。 しかし、SIDは自然言語ではなく不透明な学習識別子であるため、LSMがそれらを引き継ぐ前に、高価なアライメントが必要である。 これは、アイテム表現(Title vs. SID)とセマンティックグラウンド(minimal vs. extensive SIDアライメント)の両方を独立して変更できる制御された実験環境を提供する。 そこで本研究では,Qwen3-1.7Bのバックボーンを用いたAmazon製品ドメインの2×2因子分析において,セマンティックIDと自然言語タイトル間の記述的推論のトレース品質を初めて比較した。 明示的な記述的推論トレースを導入することで、自然言語のタイトルがより基礎的で解釈可能なトレースを生成するにもかかわらず、標準SFTおよびRLトレーニングにおける従来のオフライン推奨の有効性が低下することがわかった。 広範なSIDアライメントは記述的トレース品質を改善するが、従来のオフラインレコメンデーションの有効性は向上しない。 以上の結果から,学習目標および評価プロトコルの下で従来のオフライン推薦の有効性を一貫して向上させるには,記述的推論のトレース品質の向上だけでは不十分であることが示唆された。

関連論文リスト

• 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)
• Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation [59.20704286413859]
  本稿では,テキスト用語IDとその基盤となるデコードトリエを共設計する新しいフレームワークを提案する。 BONSAIは最先端のベースラインよりも21.6%向上している。
  論文  参考訳（メタデータ） (2026-07-18T04:31:02Z)
• LASAR: Latent Adaptive Semantic Aligned Reasoning for Generative Recommendation [33.48046116606003]
  大規模言語モデル(LLM)において、潜在推論が効果的なパラダイムとして出現した SFT-then-RLフレームワークであるLASAR(Latent Adaptive Semantic Aligned Reasoning)を提案する。 3つの実世界のデータセットの実験は、LASARがすべてのベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-05-11T08:52:53Z)
• 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)
• SNaRe: Domain-aware Data Generation for Low-Resource Event Detection [77.32937742071475]
  事象検出は、生物医学、法学、疫学のような高度に専門化された領域での推論を可能にするために重要である。 SNaReは、Scout、Narrator、Refinerの3つのコンポーネントから構成される、ドメイン対応の合成データ生成フレームワークである。 Scoutはラベルのないターゲットドメインデータからトリガーを抽出し、高品質なドメイン固有のトリガーリストをキュレートする。 これらのトリガに条件付けされたナレーターは、高品質なドメイン整列文を生成し、Refinerは追加のイベント参照を識別する。
  論文  参考訳（メタデータ） (2025-02-24T18:20:42Z)
• Evaluating Human Alignment and Model Faithfulness of LLM Rationale [66.75309523854476]
  大規模言語モデル(LLM)が,その世代を理論的にどのように説明するかを考察する。 提案手法は帰属に基づく説明よりも「偽り」が少ないことを示す。
  論文  参考訳（メタデータ） (2024-06-28T20:06:30Z)
• Beyond Imitation: Leveraging Fine-grained Quality Signals for Alignment [105.34140537748546]
  我々はFIGAという改良されたアライメント手法を提案し、従来の手法とは異なり、良質な応答と悪質な応答の対比から導出されるきめ細かい品質信号を取り込む。 まず、初期応答とそれに対応する修正データセットをペアリングする精巧なアライメントデータセットをキュレートする。 第2に,LLMの微粒な品質信号を利用してアライメントの学習を指導する新たな損失関数を考案する。
  論文  参考訳（メタデータ） (2023-11-07T15:36:40Z)

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。