論文の概要: LIGE-GR: A Smooth Leap from Ranking to Generative Recommendation in the LLM Era

• arxiv url: http://arxiv.org/abs/2609.18148v2
• Date: Sun, 20 Sep 2026 18:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:28:59.945511
• Title: LIGE-GR: A Smooth Leap from Ranking to Generative Recommendation in the LLM Era
• Title（参考訳）: LIGE-GR:LLM時代のランク付けからジェネレーティブレコメンデーションへ
• Abstract要約: リストワイズ・ジェネレーション・評価推薦フレームワークであるLIGE-GRを提案する。 LIGE-GRは、スクラッチからレコメンデーションスタック全体を再構築する代わりに、既存のポイントワイズレコメンデーションシステムをリストワイズ生成システムに一般化する。
• 参考スコア（独自算出の注目度）: 30.21777046465397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The remarkable success of large language models (LLMs) has provided important inspiration for the next generation of recommender systems. Structurally, recommendation and language generation share a similarity: both aim to produce an ordered sequence that optimizes the user's experience. However, how to precisely absorb the essence of the LLM paradigm into mature industrial recommender systems remains an open problem. There are two challenges. First, it is unclear how to incorporate the LLM paradigm -- sequence-level generation and optimization -- into recommendation. Second, real-world recommender systems are mature systems that have been iteratively customized for years around specific products, business constraints, serving infrastructure, and organizational ownership. Replacing such systems wholesale is often technically risky and organizationally disruptive. In this paper, we propose LIGE-GR, a listwise generation and evaluation recommendation framework that upgrades from a traditional ranking system (itemwise recommendation) toward a generative recommendation paradigm. Instead of rebuilding the entire recommendation stack from scratch, LIGE-GR generalizes the existing pointwise recommendation system into a listwise generation system. This allows mature recommender systems to benefit from listwise optimization while preserving compatibility with existing models, value functions, and serving infrastructure. We validate LIGE-GR in short-video recommendation on Instagram Reels and Facebook Video. On these recommendation surfaces, LIGE-GR improves time spent by 1.14 percent on Instagram Reels and 0.72 percent on Facebook Video, while requiring only modest additional inference resources.
• Abstract（参考訳）: 大きな言語モデル(LLM)の顕著な成功は、次世代のレコメンデーターシステムに重要なインスピレーションを与えている。 構造的には、レコメンデーションと言語生成は類似点を共有します。どちらも、ユーザのエクスペリエンスを最適化する順序付きシーケンスを生成することを目的としています。 しかし、LLMパラダイムの本質を成熟した産業レコメンデータシステムに正確に吸収する方法は未解決の問題である。 課題は2つある。 まず、LLMパラダイム -- シーケンスレベルの生成と最適化 -- をどのようにレコメンデーションに組み込むかは不明です。 第二に、現実世界のレコメンデータシステムは成熟したシステムで、特定の製品、ビジネス上の制約、インフラストラクチャの提供、組織的オーナシップに関して、何年にもわたって反復的にカスタマイズされてきた。 このようなシステム全体のリプレースはしばしば技術的にリスクが高く、組織的に破壊的です。 本稿では,従来のランク付けシステムからジェネレーティブ・レコメンデーション・パラダイムへアップグレードするリストワイズ・ジェネレーション・評価・レコメンデーション・フレームワークであるLIGE-GRを提案する。 LIGE-GRは、スクラッチからレコメンデーションスタック全体を再構築する代わりに、既存のポイントワイズレコメンデーションシステムをリストワイズ生成システムに一般化する。 これにより、成熟したレコメンダシステムは、既存のモデルやバリュー関数、サービスインフラストラクチャとの互換性を維持しながら、リストワイズ最適化の恩恵を受けることができる。 LIGE-GRをInstagram ReelsとFacebook Videoのショートビデオレコメンデーションで検証する。 これらのリコメンデーションサーフェスでは、LIGE-GRはInstagram Reelsで1.14パーセント、Facebook Videoで0.72パーセントの時間を短縮し、わずかな追加の推論リソースしか必要としない。

関連論文リスト

• Rank-GRPO: Training LLM-based Conversational Recommender Systems with Reinforcement Learning [70.6126069527741]
  ConvRec-R1は会話レコメンデーションシステムのエンドツーエンドトレーニングのための2段階のフレームワークである。 ステージ1では,Remap-Reflect-Adjustパイプラインを用いた行動閉鎖データセットを構築した。 ステージ2では,グループ相対政策最適化の原則的拡張である Rank-GRPO を提案する。
  論文  参考訳（メタデータ） (2025-10-23T02:56:00Z)
• AgentRecBench: Benchmarking LLM Agent-based Personalized Recommender Systems [17.329692234349768]
  エージェントレコメンデータシステムはLarge Language Models (LLM)を利用している LLMの高度な推論とロールプレイング能力は、自律的で適応的な意思決定を可能にする。 この分野では、これらの手法を評価するための標準化された評価プロトコルが欠けている。
  論文  参考訳（メタデータ） (2025-05-26T07:45:11Z)
• Towards Next-Generation LLM-based Recommender Systems: A Survey and Beyond [41.08716571288641]
  本論では,本質的なレコメンデーションに端を発する新しい分類法を紹介する。 本稿では,レコメンデーションシステムの発達過程をより正確に反映した3層構造を提案する。
  論文  参考訳（メタデータ） (2024-10-10T08:22:04Z)
• Generative Recommender with End-to-End Learnable Item Tokenization [51.82768744368208]
  ETEGRecは、アイテムのトークン化と生成レコメンデーションを結合的なフレームワークに統合する、新しいエンドツーエンド生成レコメンダである。 ETEGRecは、アイテムトークンライザと、デュアルエンコーダ-デコーダアーキテクチャ上に構築された生成レコメンデータで構成されている。 我々は、フレームワーク全体の安定的で効率的なエンドツーエンドトレーニングを保証するために、交互に最適化する手法を開発した。
  論文  参考訳（メタデータ） (2024-09-09T12:11:53Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)

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。