Fugu-MT 論文翻訳(概要): X-Rec Technical Report

論文の概要: X-Rec Technical Report

arxiv url: http://arxiv.org/abs/2609.29180v1
Date: Thu, 24 Sep 2026 07:53:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 21:10:09.780669
Title: X-Rec Technical Report
Title（参考訳）: X-Rec技術報告
Abstract要約: 本稿では,フローマッチングによる連続アイテム埋め込み空間のレコメンデーション分布の学習のためのX-Recを提案する。 X-RecはU2Iベースラインを大幅に上回り、SID-ARメソッドの検索品質に匹敵し、SID-ARよりも3.46倍高い推論スループットを提供する。 X-Recはまた、TikTok上の特定の垂直コンテンツのための新しい検索ソースとしてデプロイされ、2回の連続打ち上げにより、垂直エンゲージメントと一般エンゲージメントの両方で大幅に改善された。
参考スコア（独自算出の注目度）: 23.210331483049668
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advances in generative modeling have reshaped recommender systems by formulating recommendation as a next-item generation problem. Existing retrieval approaches primarily follow two paradigms: user-to-item (U2I) methods represent user context using one or a few deterministic embeddings, which limits the ability to capture diverse and multi-mode interests, while semantic-ID-based autoregressive (SID-AR) methods model more expressive distributions but suffer from quantization errors and the low throughput of sequential decoding. To address these limitations, we propose X-Rec to directly learn the recommendation distribution in the continuous item embedding space through flow matching and generate embedding triggers for approximate nearest neighbor retrieval. X-Rec incorporates three key designs to make this formulation effective and efficient. First, we introduce anchor conditioning to decompose generation into coarse semantic-region selection and fine-grained refinement. Second, we adopt Riemannian flow matching to align generative trajectories with the hyperspherical geometry of item embeddings. Third, we design a late-interaction diffusion Transformer that restricts repeated velocity-field estimation to the final Transformer layer. On a streaming benchmark, X-Rec substantially outperforms U2I baselines, matches the retrieval quality of SID-AR methods, and delivers 3.46x higher inference throughput than SID-AR. X-Rec has also been deployed as a new retrieval source for a specific vertical content on TikTok, where two consecutive launches have yielded significant improvements in both vertical engagement (+4.1484%) and general engagement (+0.0111%).
Abstract（参考訳）: 生成モデリングの最近の進歩は、リコメンデーションを次世代問題として定式化し、レコメンデーションシステムを再形成している。既存の検索手法は主に2つのパラダイムに従う: U2I (User-to-item) メソッドは1つまたは数つの決定論的埋め込みを用いてユーザコンテキストを表現する。これらの制約に対処するため、フローマッチングにより連続アイテム埋め込み空間の推薦分布を直接学習し、近接した近傍検索のための埋め込みトリガを生成するX-Recを提案する。 X-Recはこの定式化を効率的かつ効率的にするために3つの重要な設計を取り入れている。まず、アンカー条件を導入し、大まかな意味領域選択ときめ細かい精細化に分解する。第二に、生成的軌跡をアイテム埋め込みの超球面幾何学と整合させるためにリーマンフローマッチングを採用する。第3に、繰り返し速度場推定を最終変圧器層に制限する遅延相互作用拡散変換器を設計する。ストリーミングベンチマークでは、X-RecはU2Iベースラインを大幅に上回り、SID-ARメソッドの検索品質にマッチし、SID-ARよりも3.46倍高い推論スループットを提供する。 X-Recはまた、TikTok上の特定の垂直コンテンツのための新しい検索ソースとして展開され、2回の連続打ち上げは垂直エンゲージメント(+4.1484%)と一般エンゲージメント(+0.0111%)の両方に大きな改善をもたらした。

関連論文リスト

DaV-Gen: End-to-End Generative Retrieval via Draft-and-Verify [4.546259713278263]
textbfDaV-Genは、検索とレコメンデーションの両方のパラダイムを基本として設計された、新しい統一ソリューションである。トレーニング中、モデルは候補のドラフトと詳細な検証の両方に同時に最適化される。これは、2つの異なるが関連する目的に基づいてモデルを共同で訓練する複合損失関数によって達成される。
論文参考訳（メタデータ） (2026-07-09T11:22:50Z)
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)
FAVE: Flow-based Average Velocity Establishment for Sequential Recommendation [33.3202615024807]
本稿では,フローベース平均速度設定(Fave)フレームワークを提案する。 Faveは、ターゲット分布の前に情報提供者から直接軌跡を学習する。 3つのベンチマークの実験では、Faveは最先端のレコメンデーションパフォーマンスを達成するだけでなく、推論効率のオーダー・オブ・マグニチュードの改善も実現している。
論文参考訳（メタデータ） (2026-04-06T05:17:43Z)
Beyond Confidence: Adaptive and Coherent Decoding for Diffusion Language Models [64.92045568376705]
コヒーレントコンテキストデコーディング(Coherent Contextual Decoding, CCD)は、2つのコアイノベーションに基づいて構築された新しい推論フレームワークである。 CCDは、歴史的文脈を活用してシーケンスコヒーレンスを高める軌道修正機構を採用している。拡散ステップに基づく厳密なアロケーションの代わりに,各ステップのアンマスク予算を動的に調整する適応型サンプリング戦略を導入する。
論文参考訳（メタデータ） (2025-11-26T09:49:48Z)
LLaDA-Rec: Discrete Diffusion for Parallel Semantic ID Generation in Generative Recommendation [32.284624021041004]
並列なセマンティックID生成としてレコメンデーションを再構成する離散拡散フレームワークであるLLaDA-Recを提案する。 3つの実世界のデータセットの実験では、LLaDA-RecはIDベースと最先端のジェネレーティブレコメンデータの両方を一貫して上回っている。
論文参考訳（メタデータ） (2025-11-09T07:12:15Z)
Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
論文参考訳（メタデータ） (2025-08-25T02:55:42Z)
FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
論文参考訳（メタデータ） (2025-07-07T04:09:45Z)
SIDE: Semantic ID Embedding for effective learning from sequences [1.2145532233226686]
シーケンスベースのレコメンデーションシステムは、産業用アドレコメンデーションシステムの最先端を推し進めている。本稿では,ベクトル量子化(VQ)を利用して,コンパクトなセマンティックID(SID)をレコメンデーションモデルに注入する手法を提案する。大規模産業広告推薦システムに適用した場合, 正規化エントロピー(NE)ゲインの2.4倍改善とデータフットプリントの3倍削減を実現する。
論文参考訳（メタデータ） (2025-06-20T02:40:38Z)
OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
論文参考訳（メタデータ） (2023-04-22T15:32:59Z)

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。