論文の概要: HF-SID: High-Fidelity Semantic IDs for Generative Retrieval in Location-Based Services
- arxiv url: http://arxiv.org/abs/2608.30479v1
- Date: Mon, 31 Aug 2026 09:05:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.326602
- Title: HF-SID: High-Fidelity Semantic IDs for Generative Retrieval in Location-Based Services
- Title（参考訳）: HF-SID:位置情報サービスにおける生成検索のための高忠実なセマンティックID
- Abstract要約: 位置情報ベースサービス(LBS)では,各POI(Point-of-Interest)を意味ID(Semantic ID, SID)として表現する生成検索が注目されている。
離散コードに何らかの情報がコミットされる前に、表現段階で地理的、数値的、構造的忠実度を復元するHF-SIDを提案する。
これらのメカニズムは表現を長くするよりも表現を豊かにするので、HF-SIDは余分な復号コストで3つのトークン識別子SIDを使用する。
- 参考スコア（独自算出の注目度）: 6.767079940213956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative retrieval has attracted increasing attention in Location-Based Services (LBS), where each Point-of-Interest (POI) is represented as a Semantic ID (SID). As the SID is the only channel through which POI information reaches the generative model, whatever it fails to preserve is irrecoverable at decoding time, and LBS retrieval is especially sensitive to the fine-grained differences that existing SIDs blur. Specifically, (1) LLMs embed continuous coordinates discontinuously, so their numeric differences do not reflect true geographic distance; (2) dynamic numerical attributes differ vastly in scale, so an identical gap may be decisive for one attribute yet negligible for another; and (3) short text cannot convey hierarchical affiliation, as text-similar POIs may belong to different hierarchies. We therefore propose HF-SID, which restores geographic, numerical, and structural fidelity at the representation stage, before any information is committed to a discrete code. It transforms coordinates into a continuous 3D Cartesian form and encodes each numerical value as a single unit, consolidated inside the LLM by Geo-CPT and Num-CPT with type-aware embeddings; a Structure-based Contrastive Learning objective, applied only to the last-layer residual, then separates co-located POIs that share a coarse tag but differ at the fine level. Because these mechanisms enrich the representation rather than lengthen the identifier, HF-SID uses a 3-token SID at no extra decoding cost. On a large-scale industrial
- Abstract（参考訳）: 生成検索は位置情報ベースサービス (LBS) において注目され、各POI(Point-of-Interest) はセマンティックID (SID) として表現される。
SIDはPOI情報が生成モデルに到達する唯一のチャネルであるため、復号時に保存できないものは発見不可能であり、LBS検索は既存のSIDがぼやけている微妙な違いに特に敏感である。
具体的には,(1) LLM は連続座標を不連続に埋め込み,その数値差は真の地理的距離を反映しない,(2) 動的数値特性は大規模に大きく異なるため,ある属性に対して同一のギャップが決定的であり,(3) テキスト類似のPOI は異なる階層に属するため,短いテキストは階層的アフィリエイトを伝達できない。
そこで,HF-SIDを提案する。このHF-SIDは,任意の情報が離散コードにコミットされる前に,表現段階での地理的,数値的,構造的忠実度を復元する。
座標を連続した3次元カルト形式に変換し、それぞれの数値を単一単位としてエンコードし、Geo-CPT と Num-CPT によって LLM の内部に型認識埋め込みを組み込んだ。
これらのメカニズムは識別子を長くするよりも表現を豊かにするので、HF-SIDは余分な復号コストで3token SIDを使用する。
大規模産業について
関連論文リスト
- Interpretable Representation via LLM-Driven Generative Disentanglement for Local-Life Service Recommendation [28.83516611687355]
我々はLGRID(Local-Life Service Recommendation)のためのLLM駆動型生成ディスタングルによる解釈可能な表現を提案する。
LGRID は Encode -> Disentangle -> Align -> Quantize Pipeline を通じて生成的不整合のパラダイムを導入している。
KuaishouとFoursquareの実験によると、LGRIDはSIDベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-07-30T09:52:18Z) - TopoGR: Revealing and Preserving Latent Structure of Semantic ID in Generative Recommendation [25.345503799250476]
TopoGRはBit-decomposable Semantic ID(バイナリSID)に基づくトポロジー保存型生成レコメンデーションフレームワークである
TopoGRは、レコメンデーションパフォーマンスにおいて、既存の最先端のベースラインを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2026-07-28T02:45:33Z) - LLMs Need Encoders for Semantic IDs Too [6.952078655385385]
PrefixMem はプレフィックス n-gram メモリテーブルをベースとした軽量 SID エンコーダである。
PrefixMemは, 一致したトレーニング計算において, 最深部SID精度を最大46%向上し, 完全SID検索リコールを最大22%向上することを示した。
論文 参考訳（メタデータ） (2026-05-29T20:01:06Z) - Conditional Memory Enhanced Item Representation for Generative Recommendation [46.59623438612085]
ジェネレーティブレコメンデーション(GR)は,セマンティック識別子(SID)の自動生成によって対象項目を予測する,有望なパラダイムとして登場した。
ほとんどのGRメソッドは量子化表現生成パイプラインに従い、まず各項目にSIDを割り当て、次にSID-token埋め込みから入力表現を構築し、最後に自動回帰生成によってターゲットのSIDを予測する。
コンディショナルメモリ拡張アイテム表現フレームワークであるCometIRを提案する。このフレームワークは、アイテム認識入力へのSIDトークンの埋め込みを再構築し、SID復号時にトークンの粒度を復元する。
論文 参考訳（メタデータ） (2026-05-12T02:56:59Z) - SID-Coord: Coordinating Semantic IDs for ID-based Ranking in Short-Video Search [9.72713305999446]
SID-Coordは、個別のトレーニング可能なセマンティックIDをIDベースのランキングモデルに直接組み込む軽量なセマンティックIDフレームワークである。
SID-Coordは、セマンティックシグナルを補助的な高密度な特徴として扱う代わりに、セマンティックスを構造化識別子として表現する。
実世界の生産環境でのオンラインA/B実験は統計的に有意な改善を示した。
論文 参考訳（メタデータ） (2026-04-12T05:51:35Z) - The Best of the Two Worlds: Harmonizing Semantic and Hash IDs for Sequential Recommendation [51.62815306481903]
我々は,SIDとHIDを調和させる新しいフレームワークであるtextbfnameを提案する。具体的には,HIDのユニークなコラボレーティブアイデンティティを保ちながら,SID内のマルチグラニュラーセマンティクスの両方をキャプチャ可能な,デュアルブランチモデリングアーキテクチャを考案する。
実世界の3つのデータセットの実験では、名前は、既存のベースラインを越えながら、頭と尾の両方の推奨品質のバランスをとる。
論文 参考訳（メタデータ） (2025-12-11T07:50:53Z) - DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。
自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。
実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
論文 参考訳（メタデータ） (2025-10-21T03:23:32Z) - Language Models As Semantic Indexers [78.83425357657026]
本稿では,ジェネレーティブ言語モデルを用いてセマンティックIDを学習するための自己教師型フレームワークLMIndexerを紹介する。
学習したIDの質を検証し,推奨,製品検索,文書検索の3つの課題において有効性を示す。
論文 参考訳（メタデータ） (2023-10-11T18:56:15Z) - Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。
具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
論文 参考訳（メタデータ） (2023-05-17T14:30:11Z) - Dual-Refinement: Joint Label and Feature Refinement for Unsupervised
Domain Adaptive Person Re-Identification [51.98150752331922]
Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。
オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。
本手法は最先端手法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2020-12-26T07:35:35Z)
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。