論文の概要: Structure-Aligned History Learning with Subspace-Structured Semantic IDs for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2610.25093v1
• Date: Sun, 18 Oct 2026 07:58:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:36:54.627209
• Title: Structure-Aligned History Learning with Subspace-Structured Semantic IDs for Generative Recommendation
• Title（参考訳）: 部分空間構造付きセマンティックIDを用いた構造対応履歴学習
• Abstract要約: 生成レコメンデーションは、カタログ項目のセマンティックIDを構築し、ユーザインタラクション履歴から次のIDを予測する。 既存の手法はどちらの段階でも制限に直面している。 構造化された歴史学習は、2つの段階を再接続する。
• 参考スコア（独自算出の注目度）: 33.67932980049519
• License:
• Abstract: Generative recommendation constructs semantic IDs for catalog items and predicts the next ID from user interaction histories. However, existing methods face limitations in both stages. First, conventional quantizers may produce imbalanced code assignments and lack coherent intermediate semantic units between individual tokens and complete items, limiting history reconstruction. Second, recommendation models remain dominated by next-item prediction, treating historical interactions mainly as conditioning context and providing limited supervision for recovering persistent preferences across the historical path, particularly when relevant preference signals are distributed over distant interactions. To address these limitations, Structure-Aligned History Learning (SAHL) reconnects the two stages by using the structure created during quantization directly for history reconstruction. Its Semantic Residual Balanced Quantization (SRBQ) forms a balanced token-subspace-item hierarchy, and SAHL reconstructs history at these same granularities. Predictive entropy prioritizes uncertain transitions, while curriculum optimization progressively shifts training to inference-aligned next-item prediction. On four Amazon Review categories, SAHL improves NDCG@10 by 18.6%-30.0% over RPG and 2.7%-6.0% over strong method MHL. Controlled analyses verify balanced code use, the benefit of following quantizer-defined groups during reconstruction, and dependence on user history. The relevant code is available at https://github.com/CQU-MM-Intelligent-Lab/SAHL.
• Abstract（参考訳）: 生成レコメンデーションは、カタログ項目のセマンティックIDを構築し、ユーザインタラクション履歴から次のIDを予測する。 しかし、既存の手法はどちらの段階でも制限に直面している。 第一に、従来の量子化器は不均衡なコード代入を生成し、個々のトークンと完全なアイテムの間に一貫性のある中間的意味単位が欠如しており、履歴の再構築が制限されている。 第二に、リコメンデーションモデルは、主に条件づけの文脈として歴史的相互作用を扱い、特に関連する選好信号が遠方の相互作用に分散している場合に、歴史的経路をまたいで永続的な選好を回復するための限定的な監督を提供する。 これらの制限に対処するため、SAHL(Structure-Aligned History Learning)は、2つの段階を再接続する。 SRBQ(Semantic Residual Balanced Quantization)は、トークン-サブスペース-item階層を形成し、SAHLは同じ粒度で歴史を再構築する。 予測エントロピーは不確実な遷移を優先し、カリキュラムの最適化はトレーニングを推論整合の次点予測に段階的にシフトさせる。 4つのAmazon Reviewカテゴリにおいて、SAHLはNDCG@10をRPGより18.6%-30.0%、強力なメソッドMHLより2.7%-6.0%改善している。 制御された分析は、バランスの取れたコードの使用、再構成中の量子化器定義されたグループに従う利点、ユーザ履歴への依存を検証します。 関連するコードはhttps://github.com/CQU-MM-Intelligent-Lab/SAHLで公開されている。

関連論文リスト

• REER-PT: Reverse-Engineered Reasoning for Perplexity-Guided Pre-training Data Augmentation [64.84437332310516]
  我々は,Reverse-Engineered Reasoning (REER) を生の事前学習データに拡張するスケーラブルなフレームワークである textbfREER-PT を紹介する。 REER-PTは予測が難しいが、それ以前のコンテキストから推論できる継続を識別し、コンテキストと継続の間の欠落した接続を再構築する簡潔な推論アノテーションを挿入する。 このスパース変換は、ソーステキストを保存し、トレーニング前のオンライン推論ロールアウトを避けることで、標準的な次世代の予測と互換性を維持します。
  論文  参考訳（メタデータ） (2026-08-31T11:34:19Z)
• Fusion and Alignment Enhancement with Large Language Models for Tail-item Sequential Recommendation [17.14852109587492]
  Sequential Recommendation (SR)は、過去のインタラクションシーケンスからユーザの好みを学習し、パーソナライズされた提案を提供する。 大きな言語モデル(LLM)は、アイテム間のセマンティックな関係をキャプチャすることで、有望なソリューションを提供する。 LLMを用いたFAERec(Tail-item Sequential Recommendation)のためのFusion and Alignment Enhancement frameworkを提案する。
  論文  参考訳（メタデータ） (2026-04-04T11:19:08Z)
• GLASS: A Generative Recommender for Long-sequence Modeling via SID-Tier and Semantic Search [51.44490997013772]
  GLASSは、SID-TierとSemantic Searchを通じて、長期的なユーザ関心を生成プロセスに統合する新しいフレームワークである。 GLASSは2つの大規模実世界のデータセットの実験において最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-05T13:48:33Z)
• From Past To Path: Masked History Learning for Next-Item Prediction in Generative Recommendation [25.25652053392233]
  Masked History Learning (MHL) は、単純な次のステップの予測から歴史の深い理解へと目標をシフトする、新しいトレーニングフレームワークである。 MHLは、マスクされた歴史的なアイテムを再構築する補助的なタスクで、標準的な自己回帰目標を増強する。 3つの公開データセットの実験により、我々の手法は最先端の生成モデルよりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-28T05:22:19Z)
• Pre-train, Align, and Disentangle: Empowering Sequential Recommendation with Large Language Models [26.331324261505486]
  Sequential Recommendation (SR) は、ユーザの過去のインタラクションにおけるシーケンシャルなパターンを活用して、ユーザの好みを正確に追跡することを目的としている。 大規模言語モデル(LLM)の有効性が証明されているにもかかわらず、商用レコメンデータシステムへの統合は妨げられている。 我々は,LLMを用いたSRモデルを強化するために,新しいPri-train,Align,Disentangle(PAD)フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-05T12:17:56Z)
• Dual Consolidation for Pre-Trained Model-Based Domain-Incremental Learning [64.1745161657794]
  ドメイン・インクリメンタル・ラーニング(ドメイン・インクリメンタル・ラーニング、ドメイン・インクリメンタル・ラーニング、ドメイン・インクリメンタル・ラーニング、ドメイン・インクリメンタル・ラーニング、Domain-Incremental Learning、DIL)は、異なるドメインにまたがる新しい概念へのモデルの漸進的な適応を含む。 プレトレーニングモデルの最近の進歩は、DILの確かな基盤を提供する。 しかし、新しい概念を学ぶことは、しばしば、事前訓練された知識を破滅的に忘れてしまう。 本稿では,歴史的知識の統一と統合を図るために,デュアルコンソリデータティオン(ドゥクト)を提案する。
  論文  参考訳（メタデータ） (2024-10-01T17:58:06Z)
• Retrieving Continuous Time Event Sequences using Neural Temporal Point Processes with Learnable Hashing [24.963828650935913]
  エンド・ツー・エンドのCTES検索に特化して設計された一級フレームワークであるNeuroSeqRetを提案する。 我々は,精度と効率のトレードオフに基づいて,異なる種類のアプリケーションに対する妥当性モデルの4つの変種を開発する。 実験の結果,NeuroSeqRetの精度は向上し,ハッシュ機構の有効性も示された。
  論文  参考訳（メタデータ） (2023-07-13T18:54:50Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
  本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。 本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
  論文  参考訳（メタデータ） (2020-05-08T21:32:42Z)

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。