論文の概要: HypRQ-VAE: Hyperbolic Item Indexing for Long-Tail-Aware Generative Recommender Systems

• arxiv url: http://arxiv.org/abs/2609.03369v1
• Date: Thu, 03 Sep 2026 04:56:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.92822
• Title: HypRQ-VAE: Hyperbolic Item Indexing for Long-Tail-Aware Generative Recommender Systems
• Title（参考訳）: HypRQ-VAE:長期学習型生成レコメンダシステムのためのハイパーボリック項目インデックス作成
• Authors: Longfeng Wu, Tong Zeng, Giovanni Seni, Zhimin Peng, Bhanu Pratap Singh Rawat, Si Zhang, Yao Zhou, Lecheng Zheng, Bo Ji, Yujun Yan, Dawei Zhou,
• Abstract要約: 本稿では,双曲空間におけるアイテムインデックス学習のための最初のフレームワークであるHypRQ-VAEを紹介する。 また,HypRQ-VAEは,特にテールアイテムの推奨において,推奨性能を著しく向上させることを示した。 本分析は, 生成的推薦において, アイテム階層とスパーシリティをモデル化するために, 双曲空間の優れた能力に寄与すると考えられる。
• 参考スコア（独自算出の注目度）: 19.66351621207239
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommender systems model user behavior as item ID sequences, while recent generative methods cast recommendation as a language modeling task using large language models (LLMs). While this paradigm incorporates rich textual semantics, it introduces a fundamental mismatch: LLMs operate on text tokens, whereas recommender systems depend on discrete item indices. This misalignment often leads to hallucinations in generative recommendations. Existing methods attempt to bridge this gap by learning item vocabularies in Euclidean space, but they struggle to model the inherent long-tail distribution of real-world catalogs, where a small number of head items dominate, and a vast number of tail items reflect users' niche preferences. To address this issue, we introduce Hyperbolic Residual-Quantized Variational AutoEncoder (HypRQ-VAE), the first framework to learn item indexing in hyperbolic space. HypRQ-VAE leverages the unique properties of hyperbolic geometry, whose exponential volume expansion naturally accommodates the power law structure of user-item interactions. This allows the model to encode rich textual semantics while preserving the representational fidelity of sparse, long-tail items. Experiments on three benchmark datasets show that HypRQ-VAE significantly improves the performance of recommendation, particularly in recommending tail items. Our analysis attributes these gains to the superior capacity of hyperbolic space to model item hierarchies and sparsity in generative recommendation. Our code and data are available at: https://github.com/wulongfeng/HypRQ-VAE.
• Abstract（参考訳）: 逐次リコメンデータシステムは,ユーザ行動を項目IDシーケンスとしてモデル化する一方で,最近の生成手法では,大規模言語モデル(LLM)を用いた言語モデリングタスクとして推奨されている。 このパラダイムはリッチテキストセマンティクスを取り入れているが、基本的なミスマッチを導入している: LLMはテキストトークンで動作するが、レコメンダシステムは個別のアイテムインデックスに依存している。 このミスアライメントは、しばしばジェネレーティブレコメンデーションにおいて幻覚を引き起こす。 既存の手法では、ユークリッド空間でアイテム語彙を学習することでこのギャップを埋めようとしているが、少数のヘッドアイテムが支配的であり、多数のテールアイテムがユーザのニッチな好みを反映している現実世界のカタログの固有長テール分布をモデル化するのに苦労している。 この問題に対処するために,双曲空間におけるアイテムインデックスを学習する最初のフレームワークであるHyperbolic Residual-Quantized Variational AutoEncoder (HypRQ-VAE)を導入する。 HypRQ-VAEは双曲幾何学のユニークな性質を利用しており、その指数体積拡大はユーザ-イテム相互作用のパワー則構造を自然に許容する。 これにより、モデルがリッチなテキストセマンティクスをエンコードし、スパースでロングテールなアイテムの表現の忠実さを保ちます。 3つのベンチマークデータセットの実験から、HypRQ-VAEは、特にテールアイテムの推奨において、推奨のパフォーマンスを大幅に改善することが示された。 本分析は, 生成的推薦において, アイテム階層とスパーシリティをモデル化するために, 双曲空間の優れた能力に寄与すると考えられる。 私たちのコードとデータは、https://github.com/wulongfeng/HypRQ-VAE.comで公開されています。

関連論文リスト

• 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)
• Unifying Generative and Dense Retrieval for Sequential Recommendation [37.402860622707244]
  逐次密度検索と生成検索の強みを組み合わせたハイブリッドモデルであるLIGERを提案する。 LIGERは、シーケンシャルな高密度検索を生成検索に統合し、性能差を緩和し、コールドスタートアイテムレコメンデーションを強化する。 このハイブリッドアプローチは、これらのアプローチ間のトレードオフに関する洞察を与え、小規模ベンチマークにおけるレコメンデーションシステムの効率と効率性の向上を示す。
  論文  参考訳（メタデータ） (2024-11-27T23:36:59Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Text Matching Improves Sequential Recommendation by Reducing Popularity Biases [48.272381505993366]
  TASTEは、アイテムの識別子と属性を使用して、アイテムとユーザとイテムのインタラクションを言語化する。 実験の結果,TASTEはシーケンシャルレコメンデーションデータセットにおいて最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-27T07:44:33Z)
• Better Generalization with Semantic IDs: A Case Study in Ranking for Recommendations [24.952222114424146]
  本稿では、ランダムIDの代替としてコンテンツ由来の特徴を用いることを提案する。 我々は、ID機能をコンテンツベースの埋め込みに置き換えるだけで、記憶能力の低下により品質が低下することを示した。 コンテンツ埋め込みと同様に、セマンティックIDのコンパクトさはレコメンデーションモデルにおいて容易に適応できる問題を引き起こす。
  論文  参考訳（メタデータ） (2023-06-13T20:34:15Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)

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。