論文の概要: Preference Shapes Relevance: Cross-component Hierarchical Semantic Alignment for Personalized Generative Retrieval
- arxiv url: http://arxiv.org/abs/2608.30553v1
- Date: Mon, 31 Aug 2026 10:30:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.34463
- Title: Preference Shapes Relevance: Cross-component Hierarchical Semantic Alignment for Personalized Generative Retrieval
- Title（参考訳）: 選好形状関連性:パーソナライズされた生成検索のためのクロスコンポーネント階層的セマンティックアライメント
- Abstract要約: Generative Retrieval (GR) は、クエリを直接セマンティックID(SID)にマッピングし、候補項目の強力な表現能力を持つ、有望なパラダイムとして登場した。
アイテムコンテンツから派生した既存のSIDはセマンティックギャップを生成し、動的クエリインテントと静的なアイテム表現の整合に失敗する。
本稿では,個別のSIDを合成してユーザ動作をモデル化し,詳細なセマンティック・リファインメントのための構造ガイダンスと連続表現を行う,新しいパーソナライズされたGRフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 37.821022474615994
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Generative Retrieval (GR) has emerged as a promising paradigm by mapping queries directly to Semantic IDs (SIDs) with powerful representation capabilities for candidate items. However, existing SIDs derived solely from item content create a semantic gap, failing to align dynamic query intents with static item representations. Furthermore, current generative paradigms rarely model user behavior sequences and are always bottlenecked by the high inference latency of beam-search autoregressive decoding. To address these challenges, we propose $\textbf{C}$ross-component $\textbf{H}$ierarchical semantic $\textbf{A}$lignment for $\textbf{P}$ersonalized generative retrieval ($\textbf{CHAP}$), a novel personalized GR framework from a hierarchical perspective. First, we design a Hierarchical Semantic Alignment module to align query's latent space with item's quantization path and synchronize multi-granular semantics. Second, we construct a personalized GR framework that models user behavior by synergizing discrete SIDs for structural guidance and continuous representations for fine-grained semantic refinement. Notably, we introduce a Residual Cascading Generation mechanism to restrict the costly multi-step Transformer Decoder to a single-pass inference, boosting inference throughput while mitigating information loss. Extensive experiments on three public datasets, one proprietary industrial dataset, and online A/B tests demonstrate CHAP's superiority, validating the effectiveness and practical value of our approach. The code is publicly available at https://github.com/zzzgm/CHAP.
- Abstract（参考訳）: Generative Retrieval (GR) は、クエリを直接セマンティックID(SID)にマッピングし、候補項目の強力な表現能力を持つ、有望なパラダイムとして登場した。
しかし、アイテムコンテンツから派生した既存のSIDはセマンティックギャップを生じさせ、動的クエリインテントと静的なアイテム表現との整合に失敗する。
さらに、現在の生成パラダイムは、ユーザの行動シーケンスをモデル化することは滅多になく、ビーム探索自己回帰復号の高推論遅延によって常にボトルネックとなる。
これらの課題に対処するため、我々は、階層的な視点から新規にパーソナライズされたGRフレームワークである、$\textbf{C}$ross-component $\textbf{H}$ierarchical semantic $\textbf{A}$lignment for $\textbf{P}$ersonalized generative retrieve(\textbf{CHAP}$)を提案する。
まず,階層型セマンティックアライメントモジュールを設計し,クエリの潜在空間をアイテムの量子化経路と整合させ,複数粒状セマンティックスを同期させる。
第2に,個別のSIDを合成してユーザ動作をモデル化するパーソナライズされたGRフレームワークを構築し,詳細なセマンティックリファインメントのための構造ガイダンスと連続表現を行う。
特に、コストのかかるマルチステップトランスフォーマーデコーダをシングルパス推論に制限し、情報損失を軽減しつつ、推論スループットを向上するResidual Cascading Generation機構を導入する。
3つのパブリックデータセット、1つのプロプライエタリな産業データセット、およびオンラインA/Bテストに関する大規模な実験は、CHAPの優位性を示し、我々のアプローチの有効性と実用的価値を検証する。
コードはhttps://github.com/zzzgm/CHAPで公開されている。
関連論文リスト
- WIDE: Wildcard Inference with Dynamic Expansion for Cross-Modal Generative Retrieval [11.681276883454288]
クロスモーダル検索における強制幻覚の問題を解決するために,動的拡張を用いたワイルドカード推論(WIDE)を提案する。
復号生成フェーズでは、非対称性を意識したワイルドカード復号(AWD)が意味的な盲点を検出し、強制決定的な識別子の代わりにワイルドカードを出力する。
BSR(Blind-Spot Re- rank)は、離散生成信頼度と連続的な意味的類似性を組み合わせたハイブリッドスコアリング機構を用いて、拡張候補プールを評価する。
論文 参考訳（メタデータ） (2026-09-03T08:55:05Z) - Hierarchical Quantization with Domain-Adaptive Sparse Routing for Generative Cross-Domain Recommendation [52.29536950794571]
HD-Recは、クロスドメインレコメンデーションのための統一された生成フレームワークである。
グローバルに共有される粗いコードブックと適応的にルーティングされた微妙なコードブックを使用して意味的識別子を構築する階層的なドメイン認識量化器を採用している。
実験によると、HD-Recは競合するシーケンシャル、生成、ドメイン横断の推奨ベースラインよりも一貫して改善されている。
論文 参考訳（メタデータ） (2026-08-07T09:15:19Z) - 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) - DREAM: Dynamic Refinement of Early Assignment Mappings [7.781421530363403]
現在のメソッドは、ユーザーからの十分なフィードバックが観測される前に、オフライントークン化を通じて各アイテムに1つの静的識別子を割り当てる。
我々は、このワンショットコミットメントを、SIDベースの生成レコメンデーションにおける基本的なコールドスタートボトルネックとみなす。
本稿では,この欠陥を解決する3段階のフレームワークであるDREAMを提案する。
論文 参考訳（メタデータ） (2026-06-05T06:21:01Z) - UniRec: Bridging the Expressive Gap between Generative and Discriminative Recommendation via Chain-of-Attribute [12.89120699793625]
Generative Recommendation (GR) reframes search and ranking as autoregressive decoding over Semantic IDs (SIDs)
p(y|f,u) によるランクは p(f|y,u) によるランクと同値であり、アイテムの特徴を自己回帰的に分解する。
提案するUniRecとChain-of-Attribute(CoA)は、その中核となるメカニズムである。CoAは、SIDを復号する前に構造化属性トークン:カテゴリ、販売者、ブランドを含む各SIDシーケンスをプレフィックスし、識別モデルが活用するアイテム側の特徴交差を復元する。
論文 参考訳（メタデータ） (2026-04-14T03:13:50Z) - 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) - From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models [81.43473418572567]
CTR(Click-Through Rate)予測は、レコメンデーションシステムにおける中核的なタスクである。
本稿では,埋め込み次元の崩壊と情報冗長性に対処する新しい生成フレームワークを提案する。
SFGは埋没崩壊を緩和し,情報冗長性を低減し,性能向上を図っている。
論文 参考訳（メタデータ） (2025-12-16T03:17:18Z) - Act-With-Think: Chunk Auto-Regressive Modeling for Generative Recommendation [49.45822979879046]
ジェネレーティブレコメンデーション(GR)は通常、アイテム情報の振る舞いや意味的な側面を離散トークンにエンコードする。
本稿では,Chunk AutoRegressive Modeling(CAR)について紹介する。
論文 参考訳（メタデータ） (2025-06-30T09:13:54Z) - CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。
従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。
粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
論文 参考訳（メタデータ） (2024-06-25T12:47:04Z) - CoHD: A Counting-Aware Hierarchical Decoding Framework for Generalized Referring Expression Segmentation [37.96005100341482]
Generalized Referring Expression (GRES)は、複雑な多重/非ターゲットシナリオを含むことによって、古典的なRESの定式化を増幅する。
近年のアプローチでは、オブジェクト指向の識別により、よく認識されたRESフレームワークを直接拡張することで、GRESに対処している。
GRESのための textbfCounting-Aware textbfHierarchical textbfDecoding framework (CoHD) を提案する。
論文 参考訳（メタデータ） (2024-05-24T15:53:59Z) - UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。
事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。
本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
論文 参考訳（メタデータ） (2022-05-23T11:01:59Z)
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。