論文の概要: Exploring Forum Post Retrieval with Generative Modeling

• arxiv url: http://arxiv.org/abs/2609.38646v2
• Date: Thu, 01 Oct 2026 01:14:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.538891
• Title: Exploring Forum Post Retrieval with Generative Modeling
• Title（参考訳）: ジェネレーティブモデリングによるフォーラムポスト検索の探索
• Abstract要約: ジェネレーティブレコメンデーション(GR)は埋め込みベースの検索の代替として登場した。 Facebook Forumは、Facebook Groupsの中～多人数ユーザー向けのスタンドアロンアプリケーションです。
• 参考スコア（独自算出の注目度）: 10.067786939705147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation (GR) has emerged as an alternative to embedding-based retrieval, building on the success of generative models in language and vision. We are exploring GR on Facebook Forum, a standalone application for medium-to-heavy users of Facebook Groups. Because Forum is a new surface, its own interaction data are too sparse to train a GR model from scratch. We address this with transfer along two axes: we train on a broader corpus of Facebook Groups engagements rather than Forum sessions alone, and we reuse hierarchical, prefix-based semantic IDs (SIDs) learned from cross-platform Facebook Feed data instead of fitting a Forum-specific tokenizer. A 3B-parameter instruction-tuned language model is then supervised-fine-tuned to generate SIDs directly from user context. We systematically ablate the design choices that matter most in practice, including SID construction, the composition and length of user history, and the inclusion of user-profile features. Our results show that cross-platform SIDs transfer to a new recommendation surface, and offer practical guidance for teams deploying GR on real-world social platforms.
• Abstract（参考訳）: ジェネレーティブレコメンデーション(GR)は、言語と視覚における生成モデルの成功に基づいて、埋め込みベースの検索の代替として登場した。 Facebook Forumは、Facebook Groupsの中～多人数ユーザー向けのスタンドアロンアプリケーションです。 Forumは新しい表面なので、その相互作用データはスクラッチからGRモデルをトレーニングするには小さすぎる。 フォーラムセッションのみではなく、より広範なFacebookグループエンゲージメントのコーパスをトレーニングし、フォーラム固有のトークンではなく、クロスプラットフォームのFacebookフィードデータから学んだ階層的なプレフィックスベースのセマンティックID(SID)を再利用します。 3Bパラメータ命令調整言語モデルを教師付きで調整し、ユーザコンテキストから直接SIDを生成する。 我々は、SIDの構築、ユーザ履歴の構成と長さ、ユーザ注目の機能の追加など、実際に最も重要な設計選択を体系的に改善する。 以上の結果から,クロスプラットフォームSIDは新たなレコメンデーションサーフェスに移行し,実際のソーシャルプラットフォーム上でGRをデプロイするチームに対して実践的なガイダンスを提供する。

関連論文リスト

• A Low-Code Approach for the Automatic Personalization of Conversational Agents [1.3159070382856923]
  MDEドメインにおけるユーザ・モデリングの状況についてSLRを行う。 私たちはコミュニティが統一的で再利用可能なユーザーモデルに合意すべきだと考えています。 MLベースの新世代の提案がユーザプロファイルを自動的にインクリメンタルに導き出すことを期待しています。
  論文  参考訳（メタデータ） (2026-05-04T09:23:59Z)
• Leveraging LLMs and Heterogeneous Knowledge Graphs for Persona-Driven Session-Based Recommendation [1.0705399532413615]
  セッションベースレコメンデーションシステム(SBRS)は、ユーザの短期意図を対話シーケンスから捉えることを目的としている。 拡張レコメンデーションの最近の進歩は、LLMがリッチなアイテム表現を生成できることを示している。 異種知識グラフから推定される潜在ユーザペルソナを明示的にモデル化するペルソナ駆動型SBRSフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T10:40:30Z)
• Reasoning-Based Personalized Generation for Users with Sparse Data [120.94029850012045]
  スパースコンテキスト下でパーソナライズされたテキスト生成を強化する新しいフレームワークであるGraSPerを紹介する。 GraSPerは、ユーザが将来的に対話する可能性のあるアイテムを予測することで、ユーザコンテキストを初めて強化する。 推論アライメントによって、これらのインタラクションのためのテキストを生成して、拡張されたコンテキストを豊かにする。 最終的に、実際の履歴と合成履歴の両方に基づいて、パーソナライズされた出力を生成する。
  論文  参考訳（メタデータ） (2026-01-31T01:54:23Z)
• Understanding Generative Recommendation with Semantic IDs from a Model-scaling View [57.471604518714535]
  Generative Recommendation (GR)は、リッチアイテムのセマンティクスと協調フィルタリング信号を統合する。 一般的なアプローチの1つは、セマンティックID(SID)を使用して、自動回帰ユーザーインタラクションシーケンスモデリングのセットアップでアイテムを表現することである。 SIDをベースとしたGRは,モデルをスケールアップしながら大きなボトルネックを示す。 我々は、大規模言語モデル(LLM)を直接レコメンデーションとして使用する別のGRパラダイムを再考する。
  論文  参考訳（メタデータ） (2025-09-29T21:24:17Z)
• Generative Recommendation with Semantic IDs: A Practitioner's Handbook [34.25784373770595]
  Generative Recommendation (GR) は、従来のモデルと比較して有望なパフォーマンスで注目を集めている。 GRの成功に寄与する重要な要因はセマンティックID(SID)であり、連続的なセマンティック表現を離散IDシーケンスに変換する。 本研究は,モジュール性に特化して設計されたセマンティックID,すなわちGRIDを用いたジェネレーティブレコメンデーションフレームワークを紹介し,オープンソース化する。
  論文  参考訳（メタデータ） (2025-07-29T20:41:51Z)
• Creating General User Models from Computer Use [53.59999173952482]
  本稿では,コンピュータとのインタラクションを観察することでユーザについて学習する汎用ユーザモデル(GUM)のアーキテクチャを提案する。 GUMは、ユーザ(例えばデバイスのスクリーンショット)の非構造化観察を入力として受け取り、ユーザの知識と好みをキャプチャする信頼度重み付け命題を構築する。
  論文  参考訳（メタデータ） (2025-05-16T04:00:31Z)
• InstructERC: Reforming Emotion Recognition in Conversation with Multi-task Retrieval-Augmented Large Language Models [9.611864685207056]
  本稿では,識別的枠組みから大規模言語モデル(LLM)に基づく生成的枠組みへ,感情認識タスクを再構築するための新しいアプローチであるインストラクタCを提案する。 InstructERCは、3つの重要な貢献をしている:(1)モデルがマルチグラニュラリティ対話監視情報を明示的に統合するのに役立つ単純で効果的なテンプレートモジュール、(2)話者識別と感情予測タスクという2つの追加の感情アライメントタスクを導入し、会話における対話の役割の関係と将来の感情傾向を暗黙的にモデル化する。
  論文  参考訳（メタデータ） (2023-09-21T09:22:07Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• User Profiling Using Hinge-loss Markov Random Fields [40.60150217900392]
  本研究では, 年齢, 性別, 性格特性など, 多様なユーザ特性を推測し, ユーザプロファイルにコンパイルする機構を提案する。 提案手法は,複数の情報ソースを組み込んで競合する手法より優れる。
  論文  参考訳（メタデータ） (2020-01-05T06:55:51Z)

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。