論文の概要: KUAISHOU Explorer LLM-Rec Challenge 2026: Reasoning Generative Recommendation

• arxiv url: http://arxiv.org/abs/2609.39828v1
• Date: Wed, 30 Sep 2026 14:28:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.889324
• Title: KUAISHOU Explorer LLM-Rec Challenge 2026: Reasoning Generative Recommendation
• Title（参考訳）: KUAISHOU Explorer LLM-Rec Challenge 2026:Reasoning Generative Recommendation
• Abstract要約: ジェネレーティブ・レコメンデーションは、産業や学術研究のコミュニティで注目を集めている。 我々のチームはセマンティックIDベースのOneRec/OneRec-V2を開発した。 OneReasonは、リコメンデーションのための自然言語チェーン(CoT)の可能性を解き放つことを目指している。
• 参考スコア（独自算出の注目度）: 108.44501548557979
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation, has been attracted a surge of attentions in industrial and academic research community, towards to build more smart system to build next-generation recommender. Under the significant developing wave of large language model, our team have been developed Semantic ID based OneRec/OneRec-V2. These models have been widely deployed in production and demonstrate the scaling potential of the autoregressive next-item prediction paradigm for industrial recommender systems. Building on the success of OneRec, we further explored a series of models, including OneRec-Think, OpenOneRec, and OneReason, that connect item Semantic IDs with natural language in a unified representation space and seek to unlock the potential of natural-language chain-of-thought (CoT) reasoning for recommendation. However, our preliminary works found that introducing reasoning CoT does not always improve the recommendation performance. To address this issue, OneReason strengthens the semantic alignment between items and language, introduces structured template-based supervision for interest reasoning, and applies advanced reinforcement learning techniques to make reasoning more beneficial to recommendation. As a frontier topic to building recommendation foundation models, we believe this topic has significant research value and hope to encourage more researchers to explore it together. To this end, together with the SIGIR 2026 community, we organized the KUAISHOU Explorer LLM-Rec Challenge 2026: Reasoning Generative Recommendation.
• Abstract（参考訳）: ジェネレーティブレコメンデーションは、次世代レコメンデーションシステムを構築するためのよりスマートなシステムを構築するために、産業や学術研究コミュニティで注目を集めている。 大規模言語モデルの発達の波の中で、我々のチームはセマンティックIDベースのOneRec/OneRec-V2を開発した。 これらのモデルは、産業レコメンデータシステムのための自己回帰的次世代予測パラダイムのスケーリングポテンシャルを実証し、製品に広く展開されてきた。 OneRecの成功に基づいて、我々はOneRec-Think、OpenOneRec、OneReasonといった一連のモデルについても検討した。 しかし、予備的な研究により、推理CoTの導入はレコメンデーション性能を常に改善しないことがわかった。 この問題に対処するため、OneReasonはアイテムと言語間のセマンティックアライメントを強化し、関心推論のための構造化テンプレートベースの監視を導入し、高度な強化学習技術を適用して推論をより有益なものにしている。 レコメンデーション・ファンデーション・モデルを構築するための最前線として、このトピックには大きな研究価値があり、より多くの研究者が協力して研究することを望んでいると信じています。 この目的のために、SIGIR 2026コミュニティとともに、KUAISHOU Explorer LLM-Rec Challenge 2026: Reasoning Generative Recommendationを組織した。

関連論文リスト

• Learning Better Reasoning for Generative Recommendation with Semantic IDs [40.653957284912146]
  Evo-Recは、より良い推論を学習し、強化学習を通じてそれを拡張するためのフレームワークである。 Evo-Recは、Amazon Reviewベンチマークで差別的、生成的、推論に強化されたレコメンデーターを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-09-24T15:24:54Z)
• WhisperRec: Latent Reasoning for Efficient Foundation Recommendation Models [51.88075626243057]
  基礎推薦モデル(FRM)のための効率的な潜在推論フレームワークであるWhisperRecを提案する。 WhisperRecは教師生成のChain-of-Thought(CoT)を学習可能な潜在推論トークンに圧縮する。 WhisperRecは明示的なCoT法と従来のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-07-29T08:48:35Z)
• OneReason Technical Report [135.82017930661263]
  生成的レコメンデーションモデルはスケーリングの利点の恩恵しか得られず、推論能力の活性化は困難であることを示す。 本稿では,(1)事前学習における強力なアイテムトークン認識,(2)SFTにおける推薦タスクのための3レベル認知強調CoTフォーマット,(3)RLにおける特殊化テーマ統一トレーニングレシピを提案する。
  論文  参考訳（メタデータ） (2026-06-04T15:04:34Z)
• OneRec-Think: In-Text Reasoning for Generative Recommendation [55.53292983432484]
  OneRec-Thinkは、対話、推論、パーソナライズされたレコメンデーションをシームレスに統合する統合フレームワークである。 提案した"Think-Ahead"アーキテクチャは,クアイショーの産業展開を効果的に実現し,app Stay Timeの0.159%のアップを実現している。
  論文  参考訳（メタデータ） (2025-10-13T17:20:13Z)
• Towards Comprehensible Recommendation with Large Language Model Fine-tuning [41.218487308635126]
  本稿では,コラボレーティブ・パースペクティブ・フレームワーク(CURec)によるレコメンデーションシステムのための新しいコンテンツ理解手法を提案する。 Curecは、より包括的なレコメンデーションのために、協調的なコンテンツ機能を生成する。 公開ベンチマークの実験では、既存の方法よりもCURecの方が優れていることが示されている。
  論文  参考訳（メタデータ） (2025-08-11T03:55:31Z)
• R$^2$ec: Towards Large Recommender Models with Reasoning [59.32598867813266]
  R$2$ecは、本質的な推論能力を持つ統一された大型レコメンデータモデルである。 R$2$ecは、推論チェーン生成と効率的なアイテム予測の両方を単一のモデルでサポートするデュアルヘッドアーキテクチャを導入している。 注釈付き推論データの欠如を克服するため、強化学習フレームワークであるRecPOを設計する。
  論文  参考訳（メタデータ） (2025-05-22T17:55:43Z)

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。