論文の概要: Generative Recommenders Forget the Long Tail: Restoring Memorization in Retrieval and Ranking

• arxiv url: http://arxiv.org/abs/2610.29298v1
• Date: Wed, 21 Oct 2026 06:49:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.262888
• Title: Generative Recommenders Forget the Long Tail: Restoring Memorization in Retrieval and Ranking
• Title（参考訳）: 長期保存を忘れるジェネレーティブレコメンダ--検索とランキングにおける記憶の復元
• Abstract要約: ジーンレコメンダは、レトリート・ザ・ランクのカスケードを1つのモデルで置き換える。 このスコアを共有することで、ロングテールアイテムを2回忘れることができます。 両段階の記憶を復元する訓練不要なプラグインであるCAPEを提案する。
• 参考スコア（独自算出の注目度）: 18.081812131279136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommenders replace the retrieve-then-rank cascade with a single model: beam search over semantic item identifiers performs retrieval, and the same likelihood performs ranking. We show that this shared score makes them forget long-tail items twice. In retrieval, beam search keeps identifier prefixes by the probability mass of their subtrees, so tail items are pruned early, and a wider beam admits few more of them. In ranking, the likelihood places tail items below head items even when they are admitted, so expanding retrieval alone brings little or no gain. Both failures reflect missing item-level memorization (i.e., direct recall of which items co-occur), which collaborative filtering provides and shared-prefix generation lacks. To this end, we propose CAPE (Co-occurrence-Aware Pool Expansion), a training-free plug-in that restores memorization at both stages: (i) a memorization channel retrieves co-occurrence-supported tail items outside the beam and scores them with the frozen generator, and (ii) memorization-calibrated ranking fuses the generator likelihood with co-occurrence evidence while keeping the generator's first item. Experiments with two generative backbones on product and music domains show that CAPE significantly improves long-tail accuracy over the backbones and over re-ranking baselines that share its candidates, preserves or improves overall accuracy, and adds a small fraction of the latency.
• Abstract（参考訳）: ジェネレーティブレコメンデータは、検索-then-rankのカスケードを単一のモデルで置き換える: セマンティックアイテム識別子のビームサーチが検索を行い、同じ可能性がランク付けされる。 このスコアを共有することで、ロングテールアイテムを2回忘れることができます。 検索において、ビームサーチは、サブツリーの確率質量による識別子の接頭辞を保持するので、テールアイテムは早期に刈り取られ、より広いビームはそれらのうちのいくつかを許容する。 ランキングでは、たとえ承認されたとしても、尾のアイテムがヘッドアイテムの下に置かれる可能性があり、検索の拡充だけでは、ほとんど、あるいは全く利益が得られない。 どちらの障害も、アイテムレベルの記憶の欠如(すなわち、どのアイテムが共起したかを直接思い出す)を反映している。 この目的のために,両段階の記憶を復元するトレーニングフリープラグインであるCAPE(Co-occurrence-Aware Pool Expansion)を提案する。 一 記憶チャンネルは、ビームの外側で共起支持されたテールアイテムを回収し、冷凍発電機でスコアし、 (II)暗記校正ランキングは、発電機の第一項目を維持しながら、発生可能性と共起証拠を融合させる。 製品ドメインと音楽ドメインの2つの生成バックボーンを用いた実験では、CAPEはバックボーンと、その候補を共有するベースラインを再ランク付けし、全体的な精度を維持または改善し、レイテンシのごく一部を追加する。

関連論文リスト

• Closing the Indexing-Decoding Gap in Multimodal Generative Retrieval via Prefix Retention Optimization [68.48718919047127]
  マルチモーダル生成検索式は、複数のモーダル検索を離散識別子生成として定義し、外部埋め込みよりも明示的な類似性探索を不要とする。 既存の手法では、残差量子化によって識別子を構築し、トリエ制約ビームサーチでデコードする。 この組み合わせは、インデックス化とデコーディングのギャップを導入している: 識別子学習の目的は、再構成や対照的な損失を含むが、デコーディング中にプレフィックスの識別性を明示的に強制しない。 1)プレフィックスの格付け蒸留は、リストワイドロスを用いた事前量子化埋め込みによって誘導されるプレフィックスと整合する; (ii)語彙スケジューリングは、コードブックを増大させる。
  論文  参考訳（メタデータ） (2026-06-08T09:15:47Z)
• Gryphon: A Unified Architecture for Semantic-ID Generation and Item-Level Scoring in Industrial Recommendations [0.0]
  我々は、SID生成とともに、共同で訓練されたアイテムレベルスコアリングコンポーネントを導入する。 累積トークン確率でSIDをランク付けする代わりに、Gryphonは生成された各SIDを具体的なアイテムに分解する。 産業音楽サービスでは、次点の予測目標に基づいてアイテムレベルのスコアがトレーニングされた上で、GryphonはアイテムレベルのRecall@1000を最高レベルに到達した。
  論文  参考訳（メタデータ） (2026-06-07T12:31:26Z)
• Tail-Aware Data Augmentation for Long-Tail Sequential Recommendation [25.19179606094266]
  逐次レコメンデーション(SR)は、過去のインタラクションシーケンスに基づいて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。 本稿では,TADA(Tail-Aware Data Augmentation)を提案する。
  論文  参考訳（メタデータ） (2026-01-16T01:29:36Z)
• FIRST: Faster Improved Listwise Reranking with Single Token Decoding [56.727761901751194]
  まず、第1生成識別子の出力ロジットを活用して、候補のランク付け順序を直接取得する新しいリストワイズLLMリグレードアプローチであるFIRSTを紹介する。 実験結果から、BEIRベンチマークの利得により、FIRSTはロバストなランキング性能を維持しつつ、推論を50%高速化することが示された。 以上の結果から,LLMリランカーはクロスエンコーダに比べて強い蒸留信号を提供できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-21T21:27:50Z)
• 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)
• ReFIT: Relevance Feedback from a Reranker during Inference [109.33278799999582]
  Retrieve-and-Rerankは、ニューラル情報検索の一般的なフレームワークである。 本稿では,リランカを利用してリコールを改善する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-19T15:30:33Z)

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。