論文の概要: Revisiting Generative vs. Dense Retrieval: A Static Value Prior Reverses the Gap

• arxiv url: http://arxiv.org/abs/2610.19065v1
• Date: Tue, 13 Oct 2026 19:02:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.766153
• Title: Revisiting Generative vs. Dense Retrieval: A Static Value Prior Reverses the Gap
• Title（参考訳）: Revisiting Generative vs. Dense Retrieval: A Static Value Prior Reverse the Gap
• Abstract要約: ジェネレーティブ検索(GR)は、シーケンシャルレコメンデーションのための強力な候補ジェネレータとして登場した。 オンライン小売候補生成において,GRは一様に高密度検索(DR)に取って代わるものではないことを示す。
• 参考スコア（独自算出の注目度）: 6.155749565756653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative retrieval (GR) has emerged as a strong candidate generator for sequential recommendation as language models and semantic-item identifiers have improved. However, GR is not a uniformly stronger replacement of dense retrieval (DR) in online retail candidate generation. We examine their differences on two Amazon Toys datasets under different metrics. GR leads on best relevant item value among users both methods cover, while DR leads on exact-target recall and relevant value across the ranked list. With deep analysis, we find that popularity contributes the most to GR's measured value lead. Adding the same static item value to DR in one reranking step reverses this lead and keeps recall above GR. Finally, on an industrial-scale internal e-commerce dataset with LLM-judged relevance, we show that a 14B SID-LLM still underperforms a $47\times$ smaller dense encoder.
• Abstract（参考訳）: ジェネレーティブ検索(GR)は、言語モデルとセマンティックイテム識別子の改善に伴い、シーケンシャルレコメンデーションのための強力な候補ジェネレータとして登場した。 しかし、GRはオンライン小売候補生成において、一様に高密度検索(DR)を置き換えるものではない。 異なるメトリクスの下で、Amazon Toysデータセットの差を調べます。 GRは、両方のメソッドがカバーしているユーザの中で、最も関連性の高いアイテム価値を導き、DRは、ランクリスト全体で、正確なターゲットリコールと関連する値を導きます。 深い分析により、人気度はGRの測定値リードに最も寄与することがわかった。 DRに同じ静的アイテム値を追加する1つのステップで、このリードを逆転させ、GRの上をリコールし続ける。 最後に、LLM-judgedの関連性を持つ産業規模の内部Eコマースデータセット上で、14B SID-LLMは、まだ47\times$より小さなエンコーダよりもパフォーマンスが低いことを示す。

関連論文リスト

• TSGR: Taobao Search Generative Retrieval [32.4338892898415]
  アイテム表現と候補ランキングの両方に価値意識を組み込んだ統合生成検索フレームワークを提案する。 $textbfT$aobao $textbfS$earch $textbfG$enerative $textbfR$etrieval$textbfTSGR$ GRで構築され、共同で最適化された$textbfVRM$により、単一のモデルをレトリバーとプリランカの両方としてシームレスに機能させることができる。
  論文  参考訳（メタデータ） (2026-07-21T07:17:43Z)
• 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)
• 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)
• Does Generative Retrieval Overcome the Limitations of Dense Retrieval? [117.49076770892583]
  生成的検索(GR)はニューラル情報検索の新しいパラダイムとして登場した。 本研究では,GRが高密度検索(DR)から学習目的と表現能力の両方において根本的に分岐するかを検討する。
  論文  参考訳（メタデータ） (2025-09-26T09:38:01Z)
• Retrieval-Augmented Code Review Comment Generation [0.0]
  コードレビューコメントの自動生成(RCG)は、コード変更に対する自然言語フィードバックを自動生成することで開発者を支援することを目的としている。 既存のアプローチは主にジェネレーションベース、事前訓練された言語モデル、情報検索ベース(IR)のいずれかであり、同様の過去の例からのコメントを再利用している。 本研究は,事前学習した言語モデルを検索したコードレビュー例に条件付けすることで,RCGの検索拡張生成(RAG)を活用することを提案する。
  論文  参考訳（メタデータ） (2025-06-13T08:58:20Z)
• Distillation Enhanced Generative Retrieval [96.69326099136289]
  生成的検索はテキスト検索において有望な新しいパラダイムであり、関連する通路の識別子文字列を検索対象として生成する。 本研究は, 蒸留による生成的検索をさらに促進するための有効な方向を特定し, DGR という名称の実行可能なフレームワークを提案する。 本研究では,4つの公開データセットに対して実験を行い,DGRが生成的検索手法の最先端性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-02-16T15:48:24Z)
• Shall We Pretrain Autoregressive Language Models with Retrieval? A Comprehensive Study [115.96080028033904]
  本稿では,拡張性のある事前学習型検索拡張LM(RETRO)について,標準GPTと検索拡張GPTと比較した。 本研究は, 将来の基盤モデルとしての検索による自己回帰型LMの事前学習の方向性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-04-13T18:04:19Z)

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。