論文の概要: HASTE: Hierarchical and Attribute-aware Supervision for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2610.17368v1
• Date: Mon, 12 Oct 2026 20:25:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.450581
• Title: HASTE: Hierarchical and Attribute-aware Supervision for Generative Recommendation
• Title（参考訳）: HASTE: ジェネレーティブレコメンデーションのための階層的で属性対応のスーパービジョン
• Abstract要約: 本稿では,階層的および属性レベルの監督を遺伝的レコメンデーションに明示的に組み込むことで,トレーニング効率と長期レコメンデーション性能を同時に向上できることを示すアプローチを提案する。 ファッションレコメンデーションベンチマークを用いて、Amazonデータセットの複数のドメインにわたって、HASTEを広範囲に評価する。
• 参考スコア（独自算出の注目度）: 10.006480105138143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation models have shown promising results by representing items as semantic IDs and generating these IDs autoregressively. We introduce an approach showing that explicitly incorporating hierarchical and attribute-level supervision into generative recommendation can simultaneously improve training efficiency and long-tail recommendation performance. Existing approaches typically optimize semantic ID prediction with a standard causal cross-entropy objective, which does not explicitly exploit the hierarchical structure of semantic IDs and can require substantial training to learn effective item representations. Moreover, data-sparse tail items often suffer from poor representations due to limited supervision, resulting in weaker long-tail recommendation performance. We address these challenges with HASTE (Hierarchical and Attribute-aware Supervision for generaTive rEcommendation), a unified training framework that introduces hierarchical and attribute-specific supervision. HASTE's Hierarchical Loss explicitly exploits the multi-level structure of semantic IDs, providing supervision at each level of the item hierarchy and substantially accelerating training convergence. Its Attribute-Specific Losses encourage the model to preserve fine-grained item attributes, leveraging the language model's inherent semantic knowledge to improve representations and recommendations for tail items. We extensively evaluate HASTE on a fashion recommendation benchmark and across multiple domains of the Amazon dataset. HASTE improves recommendation performance across datasets and item-frequency regimes. Notably, the Hierarchical Loss achieves approximately 2x faster convergence than the standard causal cross-entropy objective, substantially improving training efficiency while maintaining strong recommendation quality.
• Abstract（参考訳）: 生成レコメンデーションモデルは、アイテムをセマンティックIDとして表現し、これらのIDを自動回帰的に生成することで、有望な結果を示している。 本稿では,階層的および属性レベルの監督を遺伝的レコメンデーションに明示的に組み込むことで,トレーニング効率と長期レコメンデーション性能を同時に向上できることを示すアプローチを提案する。 既存のアプローチは、通常、標準的な因果的クロスエントロピーの目的によってセマンティックIDの予測を最適化し、セマンティックIDの階層構造を明示的に活用せず、効果的な項目表現を学ぶためにかなりの訓練を必要とする。 さらに、データスパースなテールアイテムは、監督が限られているため、表現不足に悩まされることが多く、ロングテールレコメンデーションパフォーマンスが低下する。 HASTE(Hierarchical and Attribute-aware Supervision for generaTive rEcommendation)は,階層的および属性固有の監視を導入する統合トレーニングフレームワークである。 HASTEの階層ロス(Hierarchical Loss)は、セマンティックIDのマルチレベル構造を明示的に活用し、アイテム階層の各レベルを監督し、トレーニングの収束を大幅に加速する。 Attribute-Specific Lossesは、言語モデル固有のセマンティック知識を活用して、テールアイテムの表現とレコメンデーションを改善することによって、詳細なアイテム属性の保存を奨励する。 ファッションレコメンデーションベンチマークを用いて、Amazonデータセットの複数のドメインにわたって、HASTEを広範囲に評価する。 HASTEはデータセットとアイテム頻度のレコメンデーションパフォーマンスを改善している。 特に、階層ロスは標準的な因果クロスエントロピー目標よりも約2倍早く収束し、強い推奨品質を維持しながらトレーニング効率を大幅に向上させる。

関連論文リスト

• Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation [59.20704286413859]
  本稿では,テキスト用語IDとその基盤となるデコードトリエを共設計する新しいフレームワークを提案する。 BONSAIは最先端のベースラインよりも21.6%向上している。
  論文  参考訳（メタデータ） (2026-07-18T04:31:02Z)
• Reasoning over Semantic IDs Enhances Generative Recommendation [56.83043583765322]
  本稿では,SID 言語アライメントを強化することによって,SID に対する推論を実現する2段階のフレームワークを提案する。 SIDReasonerはさらに、結果駆動強化最適化によるレコメンデーション推論を改善している。 実世界の3つのデータセットに対する実験により,SIDに基づく生成推薦の有効性が示された。
  論文  参考訳（メタデータ） (2026-03-24T13:31:48Z)
• Beyond the Flat Sequence: Hierarchical and Preference-Aware Generative Recommendations [35.58864660038236]
  我々はHPGR(Hierarchical and Preference-aware Generative Recommender)という新しいフレームワークを提案する。 まず、構造化を意識した事前学習段階において、セッションベースのMasked Item Modelingの目的を用いて、階層的にインフォームドされ、セマンティックにリッチなアイテム表現空間を学ぶ。 第二に、プライオリティ対応の微調整ステージは、これらの強力な表現を活用して、Preference-Guided Sparse Attentionメカニズムを実装する。
  論文  参考訳（メタデータ） (2026-03-01T08:15:34Z)
• Graph Reasoning Paradigm: Structured and Symbolic Reasoning with Topology-Aware Reinforcement Learning for Large Language Models [45.28250076657801]
  Long Chain-of-Thought (LCoT) は,Large Language Models (LLM) の推論能力の向上に有効であることが証明されている。 RLVRベースの最適化にもかかわらず、既存の手法はいまだに粗大な監督、報酬のハッキング、高いトレーニングコスト、一般化の欠如に悩まされている。 ステップレベルの認知ラベルを持つグラフ構造化表現を用いて,構造化および記号的推論を実現するグラフ推論パラダイム(GRP)を提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:00Z)
• LARES: Latent Reasoning for Sequential Recommendation [96.26996622771593]
  本稿では、シークエンシャルレコメンデーションのための新しいスケーラブルなLatent ReasoningフレームワークであるLARESを紹介する。 提案手法では,パラメータの複雑性を増大させることなく推理深度を柔軟に拡張できる再帰的アーキテクチャを用いている。 我々のフレームワークは既存の高度なモデルとのシームレスな互換性を示し、推奨性能をさらに向上させる。
  論文  参考訳（メタデータ） (2025-05-22T16:22:54Z)
• Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
  LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。 LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
  論文  参考訳（メタデータ） (2024-05-12T15:49:38Z)
• Graph Masked Autoencoder for Sequential Recommendation [10.319298705782058]
  本稿では,自動エンコーダ付きシーケンシャルレコメンダシステム(MAERec, Graph Masked AutoEncoder-enhanced Sequence Recommender System)を提案する。 提案手法は最先端のベースラインモデルを大幅に上回り,データノイズや空間性に対するより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2023-05-08T10:57:56Z)
• Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
  本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。 我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。