論文の概要: Addressing Cross-Stage Decoupling of Semantic and Collaborative Signals in Generative Recommendation

• arxiv url: http://arxiv.org/abs/2609.13678v1
• Date: Sat, 12 Sep 2026 03:10:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.46922
• Title: Addressing Cross-Stage Decoupling of Semantic and Collaborative Signals in Generative Recommendation
• Title（参考訳）: 生成レコメンデーションにおける意味的信号と協調信号のクロスステージデカップリング
• Abstract要約: 生成レコメンデーションは、アイテムをセマンティックトークンにエンコードすることで、自動回帰生成としてシーケンシャルレコメンデーションを再構成する。 既存の生成レコメンデーションシステムは2段階のパイプラインに従っており、アイテムのトークン化はテキストのセマンティクスに支配されている。 本稿では,双方向情報補完による相互整合性を高める汎用フレームワークであるSCRecを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative recommendation reformulates sequential recommendation as autoregressive generation by encoding items into semantic tokens, enabling improved scaling capability and cross-domain generalization. However, existing generative recommender systems typically follow a two-stage pipeline, where item tokenization is largely dominated by textual semantics with limited incorporation of collaborative signals and interaction similarity, leading to code assignments that are misaligned with downstream generation. Conversely, the generation stage tends to overlook the original semantic information, as the code sequences are re-embedded based on interaction data. This cross-stage information decoupling limits semantic coherence and recommendation accuracy. To address this issue, we propose SCRec, a general framework that enhances cross-stage coherence through bidirectional information supplementation. Specifically, we introduce (i) collaborative-enhanced tokenization to explicitly inject textualized collaborative signals into semantic tokenization, without introducing additional alignment task, (ii) semantic-guided generation to dynamically recalibrate semantic priors with learnable code embeddings in generation stage, and (iii) manifold alignment to reconcile the geometric mismatch between the embedding space of discrete codebook indices and the dense continuous semantic space. These interrelated components form a general framework that aligns semantic and collaborative signals and enhances cross-stage information coherence, with minimal additional training and inference costs. Extensive experiments demonstrate the effectiveness, robustness, and generalizability of our proposed framework.
• Abstract（参考訳）: 生成レコメンデーションは、アイテムをセマンティックトークンにエンコードすることで、シーケンシャルなレコメンデーションを自己回帰生成として再定義し、スケーリング能力の向上とドメイン間の一般化を可能にする。 しかし、既存の生成レコメンデータシステムは一般的に2段階のパイプラインに従っており、アイテムのトークン化は、協調的な信号と相互作用の類似性に制限されたテキストセマンティクスによって支配される。 逆に、生成段階は、コードシーケンスが相互作用データに基づいて再埋め込みされるため、元のセマンティック情報を見落としがちである。 このクロスステージ情報分離はセマンティックコヒーレンスとレコメンデーションの精度を制限する。 この問題に対処するために,双方向情報サプリメントによる相互整合性を高める汎用フレームワークであるSCRecを提案する。 具体的には (i)追加のアライメントタスクを導入することなく、テキスト化された協調信号を意味的トークン化に明示的に注入する共同トークン化。 (II) 学習可能なコード埋め込みによる意味的先行を動的に再検討する意味誘導生成、及び 3) 離散コードブック指標の埋め込み空間と密度連続意味空間の間の幾何学的ミスマッチを整合する多様体アライメント。 これらの相互関連コンポーネントは、意味的および協調的な信号を調整する一般的なフレームワークを形成し、最小限のトレーニングと推論コストで、ステージ間の情報コヒーレンスを強化する。 大規模な実験は,提案フレームワークの有効性,堅牢性,一般化性を示すものである。

関連論文リスト

• Collaborative Memory Augmentation for Generative Recommendation [49.76630658239287]
  我々は、ジェネレーティブ・リコメンデーションのためのcOllaborative MEmory拡張フレームワークであるtextbfOMEGAを提案する。 まず、学習可能なクエリトークンを用いて、逐次的ユーザ動作をコンパクトな表現に変換する潜在コンテキスト圧縮手法を提案する。 これらの圧縮された表現は、協調的なメモリバンクに集約され、グローバルな行動パターンの明示的なリポジトリとして機能する。
  論文  参考訳（メタデータ） (2026-08-02T15:34:43Z)
• 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)
• PRISM: Purified Representation and Integrated Semantic Modeling for Generative Sequential Recommendation [28.629759086187352]
  本稿では,PRISMとPureified RepresentationとIntegrated Semantic Modelingを組み合わせた新しい生成レコメンデーションフレームワークを提案する。 PRISMは4つの実世界のデータセットで、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-23T08:50:16Z)
• DiscRec: Disentangled Semantic-Collaborative Modeling for Generative Recommendation [33.152693125551785]
  生成的レコメンデーションは、アイテム予測を直接生成する強力なパラダイムとして現れています。 現在の手法ではトークン・イテムのミスアライメントとセマンティック・コラボレーティブな信号の絡み合いという2つの重要な課題に直面している。 Disentangled Semantic-Collaborative Signal Modelingを可能にする新しいフレームワークであるDisdisRecを提案する。
  論文  参考訳（メタデータ） (2025-06-18T15:53:47Z)
• Universal Item Tokenization for Transferable Generative Recommendation [89.42584009980676]
  本稿では、転送可能な生成レコメンデーションのためのユニバーサルアイテムトークン化手法であるUTGRecを提案する。 木構造コードブックを考案することにより、コンテンツ表現をアイテムトークン化のための対応するコードに識別する。 生のコンテンツ再構成には、アイテムテキストとイメージを離散表現から再構成するために、デュアルライトウェイトデコーダを用いる。 協調的知識統合においては,共起的アイテムが類似していると仮定し,共起的アライメントと再構築を通じて協調的信号を統合する。
  論文  参考訳（メタデータ） (2025-04-06T08:07:49Z)
• Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation [91.13055384151897]
  CCFRecは、シーケンシャルレコメンデーションのための新しいコードベースのテキストおよび協調的セマンティックフュージョン法である。 ベクトル量子化手法を用いて,多視点テキスト埋め込みから細粒度セマンティックコードを生成する。 テキスト・コラボレーティブ・セマンティクスの融合をさらに促進するために,最適化戦略を導入する。
  論文  参考訳（メタデータ） (2025-03-15T15:54:44Z)
• UNGER: Generative Recommendation with A Unified Code via Semantic and Collaborative Integration [44.956539202525754]
  提案手法は,意味的および協調的な知識を,生成的推薦のための統一コードに統合する,UNGERという新しい手法を提案する。 定量化処理による情報損失を軽減するため,モダリティ内知識蒸留タスクを導入する。
  論文  参考訳（メタデータ） (2025-02-10T09:08:37Z)
• EAGER: Two-Stream Generative Recommender with Behavior-Semantic Collaboration [63.112790050749695]
  本稿では,行動情報と意味情報の両方をシームレスに統合する新しい生成推薦フレームワークであるEAGERを紹介する。 EAGERの有効性を4つの公開ベンチマークで検証し,既存手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-20T06:21:56Z)
• Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
  LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。 LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
  論文  参考訳（メタデータ） (2024-05-12T15:49:38Z)

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。