論文の概要: SPRINT: Single-Step Generative Recommendation via Average Probability Velocity

• arxiv url: http://arxiv.org/abs/2609.34306v1
• Date: Mon, 28 Sep 2026 04:47:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:00:22.268156
• Title: SPRINT: Single-Step Generative Recommendation via Average Probability Velocity
• Title（参考訳）: SPRINT: 平均確率速度による単一ステップ生成推奨
• Abstract要約: 生成的レコメンデーションは1つのフォワードパスで生成可能であることを示す。 我々のモデルは、最も高速なAR/NAR法よりもはるかに効率的です。 また、より優れたレコメンデーション精度(7.77%$第2ベットよりも平均的な改善)を得る。
• 参考スコア（独自算出の注目度）: 33.126156154401905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic ID (SID) based generative recommendation represents each item as a sequence of discrete tokens, and recommends by generating the SID of the item a user would like to interact with. Both dominant paradigms in this domain generally pay for generation token by token: autoregressive models decode the tokens left-to-right, while non-autoregressive models decode in parallel yet still need multiple rounds of refinement to stay competitive. Therefore, both generally spend multiple forward passes per item, a cost that is prohibitive in latency-sensitive recommender systems. We ask whether an item can be generated in a single forward pass, and answer it through a new perspective which we call average probability velocity. We view SID generation as a flow of token generation probabilities and characterize it by its average velocity over the whole generation process. We prove that this average velocity is fully determined by the average generation probability of each token. Therefore, we directly parameterize and learn the probabilities of all tokens in a single forward pass with a bidirectional Transformer. As these probabilities are generated independently across positions and the coherence among tokens is lost, we further design a dual-level flow contrastive objective to restore the coherence among an item's tokens. It contrasts the target SID against negative SIDs at both the token and SID levels. The token level ranks the generation probabilities of the target tokens above those of negative SIDs, while the SID level scores the tokens of each SID as a whole item for capturing token coherence of each item. Extensive experiments show that our model not only generates recommendations far more efficiently ($8.39-10.04\times$ speedup over the second-fastest AR/NAR method) but also attains superior recommendation accuracy ($7.77\%$ average improvement over the second-best.
• Abstract（参考訳）: セマンティックID(SID)ベースの生成レコメンデーションは、各アイテムを個別のトークンのシーケンスとして表現し、ユーザが対話したいアイテムのSIDを生成することで推奨する。 自己回帰モデルはトークンを左から右にデコードするが、非自己回帰モデルは並列にデコードするが、競争力を維持するためには複数の改良が必要だ。 したがって、どちらも一般的に、遅延に敏感なレコメンデータシステムでは禁止されるコストである、アイテム毎に複数のフォワードパスを使用する。 1つの前方通過でアイテムを生成できるかどうかを問うとともに、平均確率速度と呼ばれる新しい視点で答える。 我々は、SID生成をトークン生成確率の流れとみなし、生成プロセス全体の平均速度で特徴付ける。 この平均速度は各トークンの平均生成確率によって完全に決定されることを示す。 そこで本研究では, 双方向トランスフォーマーを用いて, シングルフォワードパスにおける全てのトークンの確率を直接パラメータ化し, 学習する。 これらの確率は、位置ごとに独立して生成され、トークン間のコヒーレンスが失われるにつれて、アイテムのトークン間のコヒーレンスを復元するために、さらに二重レベルのフローコントラスト目的を設計する。 トークンレベルとSIDレベルの両方において、ターゲットのSIDと負のSIDを対比する。 トークンレベルは、ターゲットトークンの生成確率を負のSIDよりも高くし、SIDレベルは各SIDのトークンを各アイテムのトークンコヒーレンスをキャプチャするための全項目としてスコア付けする。 大規模な実験により、我々のモデルはより効率的にレコメンデーション(8.39-10.04 時間)を生成するだけでなく、より優れたレコメンデーション精度(7.77 % 平均改善)を得ることができた。

関連論文リスト

• SAPO: Step-Aligned Policy Optimization for Reasoning-Based Generative Recommendation [43.98709365191658]
  生成レコメンデーションは、次点予測を自己回帰的アイテム識別生成として扱う。 最近の研究は、このパラダイムを推論トレースで強化し、検証可能な報酬で強化学習を通じて最適化している。 大局的なレコメンデーションでは、生成されたSIDに対する正確なマッチングフィードバックは、最終項目が正しいかどうかのみを報告する。
  論文  参考訳（メタデータ） (2026-05-17T20:53:08Z)
• CapsID: Soft-Routed Variable-Length Semantic IDs for Generative Recommendation [6.439016735163573]
  生成レコメンデーションは、各項目をセマンティックID(SID)のシーケンスにマッピングし、検索を自己回帰トークン生成として再キャストする。 CAPSIDは硬質残留量子化をカプセルルーティングに置き換える。 Amazon Beauty, Sports, Toys, and a 35M-item industrial catalogでは、CAPSID+SEMANTICBPEはReSIDよりも平均して10.6%改善している。
  論文  参考訳（メタデータ） (2026-05-06T16:33:13Z)
• UniRec: Bridging the Expressive Gap between Generative and Discriminative Recommendation via Chain-of-Attribute [12.89120699793625]
  Generative Recommendation (GR) reframes search and ranking as autoregressive decoding over Semantic IDs (SIDs) p(y|f,u) によるランクは p(f|y,u) によるランクと同値であり、アイテムの特徴を自己回帰的に分解する。 提案するUniRecとChain-of-Attribute(CoA)は、その中核となるメカニズムである。CoAは、SIDを復号する前に構造化属性トークン:カテゴリ、販売者、ブランドを含む各SIDシーケンスをプレフィックスし、識別モデルが活用するアイテム側の特徴交差を復元する。
  論文  参考訳（メタデータ） (2026-04-14T03:13:50Z)
• Differentiable Semantic ID for Generative Recommendation [65.83703273297492]
  生成的推薦は、各項目がリッチコンテンツから学習された個別意味ID(SID)によって表現される新しいパラダイムを提供する。 実際には、SIDはレコメンデーションの正確さよりもコンテンツ再構成に最適化されるのが一般的である。 自然なアプローチは、セマンティックインデックスを差別化して、レコメンデーショングラデーションが直接SID学習に影響を与えるようにすることだ。 本稿では,ジェネレーティブレコメンデーションのための効果的な識別可能なセマンティックIDに向けた第一歩として,DIGERを提案する。
  論文  参考訳（メタデータ） (2026-01-27T15:34:11Z)
• DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
  ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。 自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。 実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
  論文  参考訳（メタデータ） (2025-10-21T03:23:32Z)
• Paraformer: Fast and Accurate Parallel Transformer for Non-autoregressive End-to-End Speech Recognition [62.83832841523525]
  そこで我々はParaformerと呼ばれる高速かつ高精度な並列トランスを提案する。 出力トークンの数を正確に予測し、隠れた変数を抽出する。 10倍以上のスピードアップで、最先端のARトランスフォーマーに匹敵するパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2022-06-16T17:24:14Z)
• Fast Interleaved Bidirectional Sequence Generation [90.58793284654692]
  左右方向と左右方向を同時に生成するデコーダを提案する。 一方向デコードのための標準アーキテクチャを簡単に双方向デコーダに変換することができることを示す。 我々のインターリーブ双方向デコーダ (IBDecoder) は標準変換器のモデル単純性と訓練効率を保っている。
  論文  参考訳（メタデータ） (2020-10-27T17:38:51Z)

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。