論文の概要: Recommendation Retrievers Need Verifiers: Universal Generative Reranking for Sequential Recommendations
- arxiv url: http://arxiv.org/abs/2609.12270v1
- Date: Thu, 10 Sep 2026 22:56:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.564698
- Title: Recommendation Retrievers Need Verifiers: Universal Generative Reranking for Sequential Recommendations
- Title（参考訳）: Recommendation Retrievers Need Verifiers: Universal Generative Re rank for Sequential Recommendations
- Abstract要約: 多段階システムにおける第一段階の推薦者は、限られたプレフィックスを下流のランク付け者に転送するランク付け候補リストを作成する。
関連するアイテムは、検索されたリストでより深く入手できるが、実際に消費される短いプレフィックスは含まれない。
本稿では,再学習やリプレースを伴わずに,これらの候補を使用済みのショートリストに昇格させるためのポストホック検証について検討する。
- 参考スコア（独自算出の注目度）: 7.8099231036840315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: First-stage recommenders in multi-stage systems produce a ranked candidate list from which a limited prefix is forwarded to downstream rankers. Because each forwarded item must be processed by more expensive ranking stages, this shortlist cannot be arbitrarily large. The first-stage objective is therefore high coverage of relevant items within the forwarded prefix, commonly measured by Recall@$k$. A relevant item may be available deeper in the retrieved list but absent from the shorter prefix that is actually consumed. This paper studies post-hoc verification for promoting such candidates into the consumed shortlist without retraining or replacing the retriever. We introduce a lightweight generative verifier for retrieval models. Given a retriever state and a candidate item, the verifier scores the item through the likelihood of its identifier tokens. It is trained post hoc with next-token cross entropy, requires no sampled negatives or candidate pool during training, and scores only the retriever's top-$K$ candidates at inference. The interface is minimal: the retriever supplies a query state and candidate items, and the item representation can use any fixed tokenization. Across Amazon product recommendation and YaMBDa music recommendation, the same verifier training recipe improves Recall@10 for SASRec, GRU4Rec, NextItNet, and MiniOneRec. Ablations show that the improvements are not explained solely by injecting item-content features into the retriever, supporting verification as a post-hoc output-side adaptation mechanism.
- Abstract（参考訳）: 多段階システムにおける第一段階の推薦者は、限られたプレフィックスを下流のランク付け者に転送するランク付け候補リストを作成する。
各アイテムは、より高価なランク付け段階によって処理されなければならないため、このショートリストは任意に大きくなることはできない。
従って、第1段階の目標は、転送プレフィックス内の関連する項目を高いカバレッジで、Recall@$k$で一般的に測定される。
関連するアイテムは、検索されたリストでより深く入手できるが、実際に消費される短いプレフィックスは含まれない。
本稿では,再学習やリプレースを伴わずに,これらの候補を使用済みのショートリストに昇格させるためのポストホック検証について検討する。
本稿では,検索モデルのための軽量な生成検証手法を提案する。
検索者状態と候補項目とが与えられると、検証者は識別子トークンの確率でアイテムをスコアする。
次点のクロスエントロピーでトレーニングされた後、トレーニング中にサンプル陰性や候補プールを必要としない。
インターフェイスは最小限で、検索者はクエリ状態と候補アイテムを提供し、アイテム表現は任意の固定トークン化を使用することができる。
Amazonの製品レコメンデーションとYaMBDaの音楽レコメンデーションに加えて、同じ検証済みのトレーニングレシピがSASRec、GRU4Rec、NextItNet、MiniOneRecのRecall@10を改善している。
アブレーションは、アイテム内容の特徴をレトリバーに注入することでのみ改善を説明するのではなく、ポストホック出力側適応機構としての検証をサポートすることを示している。
関連論文リスト
- Route Me If You Can: A Benchmark for Query Reformulation Selection [21.59901422714961]
クエリ、ドメイン、レトリバー、モデルバックボーンに対して、単一の再構成戦略は一貫して最適ではありません。
既存の研究では、異なるリキュレータープール、レトリバー、関連信号、トレーニングラベル、評価指標を使用するため、比較が難しい。
この決定を再現的に研究するために必要な高価なアーティファクトを凍結するベンチマークであるQueryRouteを紹介します。
論文 参考訳（メタデータ） (2026-09-14T01:06:41Z) - Test-Time Optimization of Query Embeddings with Ranking Aware Reward Maximization [13.137370980012525]
TTT-Embedは、冷凍モデルの出力埋め込み空間内の学習ベクトルにランキング報酬を蒸留するフレームワークである。
単一のスコープパラメータが再利用(グローバル、タスク、クエリ)を制御し、固定された報酬計算予算の下で再利用可能性と特異性の間の原則的なトレードオフを可能にする。
論文 参考訳（メタデータ） (2026-08-12T20:24:57Z) - RLPO: Residual Listwise Preference Optimization for Long-Context Review Ranking [50.709454968853954]
ポイントワイドスコアは効率的だが、しばしばリストレベルの相互作用を考慮に入れない。
リストワイズアプローチはグローバルなコンテキストを活用することができるが、計算コストが高く、候補リストが大きくなるにつれて不安定になる。
本稿では,リストワイズ表現レベルの残差補正としてランク付けするResidual Listwise Preference Optimization (RLPO)を提案する。
論文 参考訳（メタデータ） (2026-01-12T11:45:19Z) - When Should Dense Retrievers Be Updated in Evolving Corpora? Detecting Out-of-Distribution Corpora Using GradNormIR [32.5131152148767]
本稿では,コーパスがインデックス化前の高密度検索器と比較して分布外(OOD)であるかどうかを予測するための新しいタスクを提案する。
我々は、勾配ノルムを利用してOODコーパスを効果的に検出する、教師なしのアプローチであるGradNormIRを紹介した。
BEIRベンチマークの実験では、GradNormIRはドキュメントコレクションの進化において、高密度検索のタイムリーな更新を可能にする。
論文 参考訳（メタデータ） (2025-06-02T17:06:35Z) - FIRST: Faster Improved Listwise Reranking with Single Token Decoding [56.727761901751194]
まず、第1生成識別子の出力ロジットを活用して、候補のランク付け順序を直接取得する新しいリストワイズLLMリグレードアプローチであるFIRSTを紹介する。
実験結果から、BEIRベンチマークの利得により、FIRSTはロバストなランキング性能を維持しつつ、推論を50%高速化することが示された。
以上の結果から,LLMリランカーはクロスエンコーダに比べて強い蒸留信号を提供できることが示唆された。
論文 参考訳（メタデータ） (2024-06-21T21:27:50Z) - Adaptive Query Rewriting: Aligning Rewriters through Marginal Probability of Conversational Answers [66.55612528039894]
AdaQRは、シードデータセットからの限定的な書き直しアノテーションと完全にパスラベルのないクエリ書き換えモデルをトレーニングするフレームワークである。
会話クエリに条件付き回答の確率を用いて,これらの候補に対する検索者の嗜好を評価する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-06-16T16:09:05Z) - Ask Optimal Questions: Aligning Large Language Models with Retriever's Preference in Conversation [23.74712435991676]
RetPOは、ターゲット検索システムの好みに合わせて検索クエリを再構成する言語モデルを最適化するように設計されている。
我々は、12Kの会話で410K以上のクエリを書き換えるRetrievers' Feedbackと呼ばれる大規模なデータセットを構築した。
その結果,2つのベンチマークにおいて,従来のリライト・ザ・リトリーブ・アプローチの最先端性能を上回る優位性を示した。
論文 参考訳（メタデータ） (2024-02-19T04:41:31Z) - ReFIT: Relevance Feedback from a Reranker during Inference [109.33278799999582]
Retrieve-and-Rerankは、ニューラル情報検索の一般的なフレームワークである。
本稿では,リランカを利用してリコールを改善する手法を提案する。
論文 参考訳（メタデータ） (2023-05-19T15:30:33Z) - 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) - Adversarial Retriever-Ranker for dense text retrieval [51.87158529880056]
本稿では、二重エンコーダレトリバーとクロスエンコーダローダからなるAdversarial Retriever-Ranker(AR2)を提案する。
AR2は、既存の高密度レトリバー法より一貫して大幅に優れている。
これには、R@5から77.9%(+2.1%)、TriviaQA R@5から78.2%(+1.4)、MS-MARCO MRR@10から39.5%(+1.3%)の改善が含まれている。
論文 参考訳（メタデータ） (2021-10-07T16:41:15Z)
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。