論文の概要: SPRIG: Semantic-ID-enhanced Paths for Knowledge Graph-based Generative Recommendation

• arxiv url: http://arxiv.org/abs/2610.06590v1
• Date: Mon, 05 Oct 2026 16:04:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:23:10.850271
• Title: SPRIG: Semantic-ID-enhanced Paths for Knowledge Graph-based Generative Recommendation
• Title（参考訳）: SPRIG:知識グラフに基づくジェネレーティブレコメンデーションのためのセマンティックID強化パス
• Abstract要約: 本稿では、コンテンツ由来のSIDを知識グラフの経路推論に統合する生成レコメンデーションであるSPRIGを提案する。 映画や音楽のレコメンデーションデータセットにおけるSPRIGを、逐次言語モデル、KG拡張手法、SIDベースのアプローチにまたがるベースラインに対して評価する。
• 参考スコア（独自算出の注目度）: 46.28905384762715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems leveraging generative models often generate item identifiers directly, rather than ranking catalog items by a recommendation score. Recent work extends beyond pure sequential interaction signals by incorporating item content and structured relationships among items, with two distinct directions emerging. Semantic IDs (SIDs) enrich item representations by replacing opaque, randomly initialized embeddings with hierarchically quantized discrete codes derived from item content. Knowledge-graph (KG) path reasoning instead generates entity-relation paths that ground recommendations in structured relationships between items, attributes, and external entities, thereby enriching the relational context. These two lines have complementary limitations: SID-based models lack relational grounding, while KG-based generative recommenders still represent items as arbitrary, opaque tokens tied to large embedding tables, limiting parameter sharing and generalization. We propose SPRIG, a generative recommender that integrates content-derived SIDs into KG path reasoning. SPRIG is trained on information-rich KG paths that terminate in items represented as discrete, content-derived tokens, combining the advantages of both approaches. We evaluate SPRIG on movie and music recommendation datasets against baselines spanning sequential language models, KG-augmented methods, and SID-based approaches. Our results show that SPRIG achieves competitive performance over prior generative models while using fewer parameters and a lower compute cost. Code: https://github.com/justinhangoebl/semantic-id-knowledge-graph-recommender
• Abstract（参考訳）: 生成モデルを活用するレコメンダシステムは、レコメンデーションスコアでカタログ項目をランク付けするのではなく、アイテム識別子を直接生成することが多い。 最近の研究は、アイテムの内容と2つの異なる方向を持つアイテム間の構造化された関係を組み込むことによって、純粋なシーケンシャルな相互作用信号を超えて進んでいる。 セマンティックID(SID)は、不透明でランダムに初期化された埋め込みを、アイテムの内容から派生した階層的に量子化された離散コードに置き換えることで、アイテム表現を豊かにする。 知識グラフ(KG)パス推論は代わりに、アイテム、属性、外部エンティティ間の構造化された関係において推奨されるエンティティ-リレーショナルパスを生成し、それによってリレーショナルコンテキストを豊かにする。 SIDベースのモデルはリレーショナルグラウンドを欠いているが、KGベースのジェネレーティブレコメンデータは、大きな埋め込みテーブルに結びついた任意の不透明なトークンとしてアイテムを表現し、パラメータ共有と一般化を制限している。 我々は、コンテンツ由来のSIDをKG経路推論に統合する生成レコメンデーションであるSPRIGを提案する。 SPRIGは、情報に富むKGパスに基づいて訓練されており、両方のアプローチの利点を組み合わせて、個別のコンテンツ由来のトークンとして表現されるアイテムで終了する。 映画や音楽のレコメンデーションデータセットにおけるSPRIGを、逐次言語モデル、KG拡張手法、SIDベースのアプローチにまたがるベースラインに対して評価する。 以上の結果から,SPRIGは,より少ないパラメータと少ない計算コストを用いながら,先行生成モデルよりも高い競争性能を達成できることが示唆された。 コード:https://github.com/justinhangoebl/semantic-id-knowledge-graph-recommender

関連論文リスト

• Agents as Knowledge Integrator and Utilizer in Multimodal Recommendation [32.21401177935487]
  マルチモーダルコンテンツは、レコメンデーショングラフの構築やランキングの調整に使用される前に、ユーザの振る舞いと共に解釈されるべきです。 本稿ではエージェントベースのマルチモーダルレコメンデーションフレームワークであるAgentMMRecを提案する。 Amazonの3つのマルチモーダルレコメンデーションデータセットの実験は、AgentMMRecが最近のマルチモーダルベースラインよりも一貫してリコールとNDCGを改善していることを示している。
  論文  参考訳（メタデータ） (2026-08-29T19:25:18Z)
• Once Generated, Ranked: End-to-End Generative Slate Recommendation with Unified Semantic-Collaborative IDs [26.15748750918571]
  スレートレコメンデーションは、個別のアイテムではなくスレートをレコメンデーションユニットとして扱う。 順序付きスレートを直接生成するエンドツーエンドフレームワークであるOGRを提案する。
  論文  参考訳（メタデータ） (2026-08-18T10:24:09Z)
• EGR: Embedding-Native Generative Retrieval with a Shared LLM [19.85539543043033]
  生成的検索は大規模レコメンデーションや広告システムでますます人気がある。 広告・推薦のための埋め込みNative Generative Retrievalフレームワークを提案する。 EGRはアイテムメタデータからアイテム表現とユーザ表現を、ひとつの埋め込み空間におけるインタラクション履歴から学習する。
  論文  参考訳（メタデータ） (2026-07-25T04:45:04Z)
• OneFeed: A Unified Generative Framework for Feed Content Enhancement and Query Generation [0.0]
  OneFeedはフィードコンテンツ拡張とクエリ生成をモデリングするための統合生成フレームワークである。 OneFeedは異種ユーザ行動シーケンスを共有振る舞いエンコーダでエンコードする。 OneFeedはコンテンツセマンティックIDとクエリ表現のための共有セマンティックスペースを学習する。
  論文  参考訳（メタデータ） (2026-06-06T04:17:09Z)
• Representation Quantization for Collaborative Filtering Augmentation [49.14087936092634]
  本稿では,新しい2段階協調推薦アルゴリズムDQRecを提案する。 相互作用配列と属性から共同で振舞い特性を抽出することで特徴と均一な結合を増強する。 これらのセマンティックIDパターンを機能拡張とリンク拡張を通じてレコメンデーションプロセスに統合することにより、システムは潜伏したユーザと明示的なアイテムの両方の機能を強化します。
  論文  参考訳（メタデータ） (2025-08-15T04:00:50Z)
• Universal Item Tokenization for Transferable Generative Recommendation [89.42584009980676]
  本稿では、転送可能な生成レコメンデーションのためのユニバーサルアイテムトークン化手法であるUTGRecを提案する。 木構造コードブックを考案することにより、コンテンツ表現をアイテムトークン化のための対応するコードに識別する。 生のコンテンツ再構成には、アイテムテキストとイメージを離散表現から再構成するために、デュアルライトウェイトデコーダを用いる。 協調的知識統合においては,共起的アイテムが類似していると仮定し,共起的アライメントと再構築を通じて協調的信号を統合する。
  論文  参考訳（メタデータ） (2025-04-06T08:07:49Z)
• Improving Conversational Recommendation Systems' Quality with Context-Aware Item Meta Information [42.88448098873448]
  対話レコメンデーションシステム(CRS)は,対話履歴からユーザの好みを推測することでユーザと対話する。 従来のCRSでは、知識グラフ(KG)ベースのレコメンデーションモジュールを使用し、応答生成のための言語モデルとKGを統合する。 本稿では,事前学習言語モデル(PLM)と項目メタデータエンコーダを組み合わせた,シンプルで効果的なアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-15T14:12:48Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)

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。