論文の概要: UniSGR-V2: Stepwise Target-Side Feature Anticipation and Crossing for Generative Recommendation
- arxiv url: http://arxiv.org/abs/2610.16132v1
- Date: Mon, 12 Oct 2026 03:48:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 07:29:29.913869
- Title: UniSGR-V2: Stepwise Target-Side Feature Anticipation and Crossing for Generative Recommendation
- Title（参考訳）: UniSGR-V2: 生成レコメンデーションのためのステップワイズターゲットサイド機能予測とクロス
- Abstract要約: 段階的生成とランク付けの両方を支援するため,TacGR(Stepwise Target-Side Feature Precipation and Crossing for Generative Recommendation)を提案する。
TacGRは、連続的なターゲット側の特徴ベクトルを予測し、デコーダ内のセマンティックプレフィックスとユーザー行動シーケンスと交差する。
大規模なデータセットに関するオンライン実験では、OneRec、UniRec、UniSGRを大きく上回っている。
- 参考スコア（独自算出の注目度）: 16.130775814500822
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic-ID-based generative recommendation unifies retrieval and ranking through autoregressive decoding but differs structurally from discriminative models, which can directly access rich target-item side features. The attributes are compressed into a finite codebook during quantization, while the target item remains undetermined during decoding and its features cannot be looked up. This target-side feature vacuum weakens generation at each semantic-ID level through high conditional entropy and cascading errors, and final ranking through missing target-side feature crossing. Existing methods interact with candidate representations or generate discrete attribute tokens, but none reconstructs a continuous target-side representation inside decoding to support both stepwise generation and ranking. We propose TacGR (Stepwise Target-Side Feature Anticipation and Crossing for Generative Recommendation). Before decoding each codeword, TacGR anticipates a continuous target-side feature vector and crosses it with the semantic prefix and user behavior sequence inside the decoder. The crossed representation conditions current-level generation and is directly used for ranking. Continuous-vector regression risks a learnable target collapsing with its prediction and prediction noise propagating into generation through attention. TacGR addresses these challenges with a semantic-anchoring auxiliary tower and a unidirectional visibility mask, respectively. For extremely long industrial behavior histories, it introduces gated convolutional denoising to suppress noise and adapts the pyramid memory funnel to reduce inference cost. Offline experiments on a large-scale Lazada dataset show significant gains over OneRec, UniRec, and UniSGR. Online A/B testing improves IPV, Order, and GMV by 0.79%, 5.55%, and 3.09%, respectively.
- Abstract（参考訳）: セマンティックIDに基づく生成レコメンデーションは、自己回帰デコードによる検索とランキングを統一するが、リッチなターゲット・イテム側の特徴に直接アクセスできる識別モデルと構造的に異なる。
属性は量子化中に有限のコードブックに圧縮されるが、対象の項目は復号時に未決定のままであり、その特徴は確認できない。
この目標側特徴真空は、高条件エントロピーとカスケードエラーにより各セマンティックIDレベルでの発生を弱め、目標側特徴交差を欠いた最終ランク付けを行う。
既存のメソッドは、候補表現と相互作用したり、離散属性トークンを生成するが、デコード内で連続的なターゲット側の表現を再構築して、ステップワイズ生成とランキングの両方をサポートする。
本稿では,TacGR (Stepwise Target-Side Feature Precipation and Crossing for Generative Recommendation)を提案する。
それぞれのコードワードをデコードする前に、TacGRは連続的なターゲット側の特徴ベクトルを予測し、デコーダ内のセマンティックプレフィックスとユーザー行動シーケンスと交差する。
交差表現条件は、現在のレベル生成であり、直接ランク付けに使用される。
連続ベクトル回帰は、学習可能なターゲットが、その予測と、注意を通して世代に伝播する予測ノイズに衝突するリスクを負う。
TacGRはこれらの課題に,それぞれセマンティックアンチョリング補助塔と一方向可視マスクで対処する。
非常に長い産業行動履歴のために、ノイズを抑制するためにゲート畳み込み分解を導入し、ピラミッドメモリファンネルに適応して推論コストを低減させる。
大規模なLazadaデータセットのオフライン実験では、OneRec、UniRec、UniSGRを大きく上回っている。
オンラインA/BテストはITV、オーダー、GMVをそれぞれ0.79%、5.55%、3.09%改善している。
関連論文リスト
- Beyond Semantic IDs: Finite-Beam Reachability and Continuous-Query Generation in Generative Recommendation [15.519683317169575]
ソーシャルメディアプラットフォームのジェネレーティブレコメンデーション(GR)は、有限幅ビームサーチによる離散セマンティックID(SID)の自動復号化によってアイテムを検索する。
本研究では、この出力インターフェースが有限返却リストに入るか否かを制約し、カタログ全体のスコアビリティを経験的トップKサポートと区別する方法について検討する。
CQG-Singleは1つのパスで1つの検索クエリを生成し、CQG-ARは連続的な更新を自動回帰的に生成し、SID項目の単語を削除しながらステップワイズデコーディングを保持する。
論文 参考訳（メタデータ） (2026-10-09T04:23:08Z) - Generative End-to-end Ad Retrieval at Douyin [12.274757176053603]
生成的検索は、離散アイテムトークンの生成としてレコメンデーションを再構成する。
Gearは、トークン処理器、ジェネレータ、リランカを共同で最適化するエンドツーエンドフレームワークである。
現在、Douyin Adsで毎日数億人のアクティブユーザーが利用しており、かなりの体験的改善をもたらしている。
論文 参考訳（メタデータ） (2026-09-30T09:00:47Z) - WIDE: Wildcard Inference with Dynamic Expansion for Cross-Modal Generative Retrieval [11.681276883454288]
クロスモーダル検索における強制幻覚の問題を解決するために,動的拡張を用いたワイルドカード推論(WIDE)を提案する。
復号生成フェーズでは、非対称性を意識したワイルドカード復号(AWD)が意味的な盲点を検出し、強制決定的な識別子の代わりにワイルドカードを出力する。
BSR(Blind-Spot Re- rank)は、離散生成信頼度と連続的な意味的類似性を組み合わせたハイブリッドスコアリング機構を用いて、拡張候補プールを評価する。
論文 参考訳（メタデータ） (2026-09-03T08:55:05Z) - EchoRec: Multi-Item Prediction-Empowered Generative Recommendation via Cycle-Consistent Preference Alignment [57.08595331216049]
生成レコメンデーションは、ターゲット項目のセマンティックIDを自己回帰的に生成し、共有トークン空間内の嗜好モデリングとインデックス検索を統合する。
近年の試行ではMTP(Multi-Token Prediction)を導入しているが、その効率性は主に継承され、密集した監視対象としての可能性は未解明のままである。
提案するEchoRecは,マルチホライゾンにまたがるサイクル一貫性の全体的嗜好アライメントをMPPに付与し,生成的レコメンデーションを実現する。
論文 参考訳（メタデータ） (2026-08-14T06:59:12Z) - DeGRe: Dense-supervised Generative Reranking for Recommendation [22.41679588580571]
オフラインの探索とオンラインの効率のギャップを、密集した監督によって埋める、ジェネレーティブ・リグレード・フレームワークであるDeGReを提案する。
トレーニング中、評価器から高密度の監視信号に変換し、それらを軽量オンラインジェネレータに蒸留する。
私たちは、Taobao Flash ShoppingにDeGReをうまくデプロイし、オンラインレコメンデーションを大幅に改善しました。
論文 参考訳（メタデータ） (2026-05-25T12:00:42Z) - RAGR: Review-Augmented Generative Recommendation [61.29879991713178]
Review-Augmented Generative Recommendation (RAGR)は、レビューフィードバックを直接生成ユーザシーケンスに組み込む新しいGRフレームワークである。
RAGRは、すべてのメトリクスにわたる強力なGRバックボーンよりも一貫性があり、大きな利益をもたらす。
論文 参考訳（メタデータ） (2026-05-17T05:21:23Z) - 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) - From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models [81.43473418572567]
CTR(Click-Through Rate)予測は、レコメンデーションシステムにおける中核的なタスクである。
本稿では,埋め込み次元の崩壊と情報冗長性に対処する新しい生成フレームワークを提案する。
SFGは埋没崩壊を緩和し,情報冗長性を低減し,性能向上を図っている。
論文 参考訳（メタデータ） (2025-12-16T03:17:18Z) - 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) - Exploiting Discriminative Codebook Prior for Autoregressive Image Generation [54.14166700058777]
トークンベースの自己回帰画像生成システムは、まずトークンインデックスのシーケンスをコードブックでトークン化し、次にこれらのシーケンスを自己回帰パラダイムでモデル化する。
自己回帰生成モデルはインデックス値のみに基づいて訓練されるが、豊富なトークン類似性情報を含むコードブックにエンコードされた前者は利用されない。
近年の研究では、トークン上に単純なk平均クラスタリングを行い、コードブックを減らした生成モデルのトレーニングを容易にすることで、これを先に組み込もうとしている。
k-meansの代替として、差別的コードブック先駆者(DCPE)を提案する。
論文 参考訳（メタデータ） (2025-08-14T15:00:00Z) - Learning to Rank in Generative Retrieval [62.91492903161522]
生成的検索は、検索対象として関連する通路の識別子文字列を生成することを目的としている。
我々はLTRGRと呼ばれる生成検索のための学習 torankフレームワークを提案する。
このフレームワークは、現在の生成的検索システムを強化するために、追加の学習からランクまでのトレーニングフェーズのみを必要とする。
論文 参考訳（メタデータ） (2023-06-27T05:48:14Z)
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。