論文の概要: TGR: Advancing Industrial Recommendation from Generative-Paradigm Ranking toward Unified Generation and Reasoning

• arxiv url: http://arxiv.org/abs/2609.00986v1
• Date: Tue, 01 Sep 2026 09:41:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.523432
• Title: TGR: Advancing Industrial Recommendation from Generative-Paradigm Ranking toward Unified Generation and Reasoning
• Title（参考訳）: TGR:創成・パラダイムランキングから統一世代・推論への産業勧告の推進
• Authors: TGR Team, Lei Cheng, Haonan Hu, Beibei Kong, Yudong Li, Zang Li, Yunsheng Pang, Hongyang Su, Jianchao Tu, Yunlong Wang, Bing Wen, Junzhang Zhu, Shaojie Zhu, Chengxiang Zhuo,
• Abstract要約: 産業推薦システムは典型的にはカスケード検索、事前ランク付け、ランキング付け、再ランク付けに頼っている。 本稿では,TGR(Tencent Generative Recommendation)について紹介する。 TGRはTencentのプロダクションサーフェスにデプロイされ、数億のユーザが利用できる。
• 参考スコア（独自算出の注目度）: 11.12417271350583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial recommender systems typically rely on cascaded retrieval, pre-ranking, ranking, and reranking stages, whose separately optimized models limit scaling, fragment decision making, and lack semantic knowledge and reasoning. We present TGR (Tencent Generative Recommendation), an industrial framework that advances recommendation toward the generative paradigm along three coupled directions. TGR-GenRank upgrades ranking through CCFormer, which combines unified feature tokenization, a scalable Transformer backbone, feature-field separated cross attention, subspace token mixing, and hierarchical sequence compression while retaining per-item multi-task outputs. TGR-GenRec explores end-to-end generation under two paradigms: BARGE bridges item-boundary loss and semantic drift in hierarchical semantic-ID generation through item context-aware attention, hierarchical path reranking, and orthogonal dual-path decoding; HiGR performs whole-slate generation with prefix-structured semantic IDs, coarse-to-fine decoding, and listwise multi-objective alignment. TGR-Reason injects offline-generated semantic-ID reason tokens into online decoding, providing reasoning without request-time rollout. TGR is deployed across Tencent production surfaces serving hundreds of millions of users. CCFormer delivers significant gains in five A/B-tested scenarios and is fully launched in two, including +3.57% CTR and +1.71% advertising revenue. BARGE improves Hit@5 by 10.2-16.9% and yields +0.60% CTR and +1.70% reading time after full rollout. HiGR improves offline slate quality by 15.9-21.3% with a 5x inference speedup and achieves up to +1.22% watch time and +1.73% video views. TGR-Reason raises cold-start new-user Hit@1 by 477.8% and delivers +1.75% effective consumption and +13.09% new-user exposure-to-conversion online.
• Abstract（参考訳）: 産業レコメンデータシステムは典型的にはカスケード検索、事前ランク付け、ランキング付け、順位付けステージに依存しており、個別に最適化されたモデルはスケーリング、断片的な意思決定、意味的な知識と推論の欠如を制限している。 本稿では,TGR(Tencent Generative Recommendation)について紹介する。 TGR-GenRankはCCFormerを通じてランキングをアップグレードし、統一された機能トークン化、スケーラブルなトランスフォーマーバックボーン、特徴フィールド分離されたクロスアテンション、サブスペーストークンミキシング、階層的なシーケンス圧縮を組み合わせた。 TGR-GenRecは2つのパラダイムの下で、アイテム境界損失と階層的セマンティックID生成におけるアイテム境界損失とセマンティックドリフトを、アイテムコンテキスト認識、階層的パス更新、直交的デュアルパスデコーディングを通じて探索する。 TGR-Reasonはオフライン生成セマンティックID推論トークンをオンラインデコードに注入し、要求時ロールアウトなしで推論を提供する。 TGRはTencentのプロダクションサーフェスにデプロイされ、数億のユーザが利用できる。 CCFormerは5つのA/Bテストシナリオで大きく伸びており、+3.57% CTRと+1.71%の広告収入を含む2つのシナリオで完全にローンチされている。 BARGEはHit@5を10.2-16.9%改善し、フルロールアウト後に+0.60%のCTRと+1.70%の読み込み時間が得られる。 HiGRは5倍の推論速度でオフラインのスレート品質を15.9-21.3%改善し、最大で1.22%の視聴時間と+1.73%のビデオビューを実現している。 TGR-Reasonは、コールドスタートの新規ユーザHit@1を477.8%引き上げ、オンライン上で+1.75%の効率的な消費と+13.09%の新規ユーザ露出変換を提供する。

関連論文リスト

• Bridging the Structural Gap: Adapting Autoregressive Generation for Recommendation [10.616703360070359]
  Generative Recommendation (GR)は、シーケンシャルなレコメンデーションのための新しいパラダイムとして登場した。 本稿では、ICA(Item Context-Aware Attention)を用いて、エンコーディング中にアイテムレベルの構造を復元するBARGEを提案する。 公開ベンチマークと大規模なオフラインテストに関する実験と分析研究は、BARGEが優れたレコメンデーション性能を達成することを示す。
  論文  参考訳（メタデータ） (2026-07-23T08:11:57Z)
• Empowering Cross-Domain Sequential Recommendation with Hybrid Tokenization and Serial-Parallel Decoding [63.74998371740272]
  クロスドメインシーケンシャルレコメンデーション(CDSR)は、ユーザの動的関心遷移と複数のドメインにわたるシーケンシャルパターンをモデル化することを目的としている。 我々は,CDSRの効率的かつ効率的な生成フレームワークであるGenCDSRを提案する。 我々は、GenCDSRが、最先端のベースラインと比較して平均精度を1.5パーセント向上し、平均推論遅延を85.1%削減したことを示す。
  論文  参考訳（メタデータ） (2026-07-21T08:01:15Z)
• GenRec: A Preference-Oriented Generative Framework for Large-Scale Recommendation [14.663434490160016]
  我々は、JD App上にデプロイされた嗜好指向の生成フレームワークであるGenRecを紹介する。 月のオンラインA/Bテストでは、GenRecは9.5%のクリック数の改善と8.7%のトランザクション数を達成した。
  論文  参考訳（メタデータ） (2026-04-16T11:07:05Z)
• Masked Diffusion Generative Recommendation [14.679550929790151]
  ジェネレーティブレコメンデーション(GR)は、通常、連続アイテムの埋め込みをマルチレベルセマンティックID(SID)に量子化する。 MDGRはMasked Diffusion Generative Recommendationフレームワークで,コードブック,トレーニング,推論という3つの観点からGRパイプラインを再評価する。
  論文  参考訳（メタデータ） (2026-01-27T11:39:02Z)
• HiGR: Efficient Generative Slate Recommendation via Hierarchical Planning and Multi-Objective Preference Alignment [22.73838860623495]
  HiGRは効率的な生成スレートレコメンデーションフレームワークであり、階層的計画とリストワイドな優先順位調整を統合している。 大規模な商用メディアプラットフォームの実験では、HiGRがオフライン評価とオンラインデプロイメントの両方で一貫した改善を実現しています。
  論文  参考訳（メタデータ） (2025-12-31T11:16:24Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• GRank: Towards Target-Aware and Streamlined Industrial Retrieval with a Generate-Rank Framework [47.25361445845229]
  産業規模のレコメンデータシステムはカスケードパイプラインに依存しており、検索段階では何十億ものアイテムから設定されたハイリコール候補を厳格なレイテンシで返さなければならない。 本稿では,ユーザ中心の検索とターゲット認識学習をシームレスに統一する新しい構造化インデックスフリー検索パラダイムであるGRankを提案する。
  論文  参考訳（メタデータ） (2025-10-17T04:15:09Z)
• BranchGRPO: Stable and Efficient GRPO with Structured Branching in Diffusion Models [57.304411396229035]
  BranchGRPOは、ロールアウトプロセスを分岐木に再構成する手法である。 HPDv2.1イメージアライメントでは、BranchGRPOはDanceGRPOよりも最大でtextbf16%のアライメントスコアを改善する。 ハイブリッド版であるBranchGRPO-MixはDanceGRPOよりも4.7倍の速度でトレーニングを加速する。
  論文  参考訳（メタデータ） (2025-09-07T12:53:06Z)
• Distillation Enhanced Generative Retrieval [96.69326099136289]
  生成的検索はテキスト検索において有望な新しいパラダイムであり、関連する通路の識別子文字列を検索対象として生成する。 本研究は, 蒸留による生成的検索をさらに促進するための有効な方向を特定し, DGR という名称の実行可能なフレームワークを提案する。 本研究では,4つの公開データセットに対して実験を行い,DGRが生成的検索手法の最先端性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-02-16T15:48:24Z)

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。