論文の概要: JevRec: Linguistic Encoding with Jev-like Decision Modeling for LLM-based Generative Recommendation
- arxiv url: http://arxiv.org/abs/2610.36937v2
- Date: Thu, 29 Oct 2026 03:20:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.295041
- Title: JevRec: Linguistic Encoding with Jev-like Decision Modeling for LLM-based Generative Recommendation
- Title（参考訳）: JevRec:LLMに基づくジェネレーティブレコメンデーションのためのJevライクな決定モデルによる言語エンコーディング
- Abstract要約: 生成レコメンデーション(GR)は、アイテムを意味的識別子(SID)として表現し、相互作用履歴から次の項目のSIDを自動回帰的に生成する。
この均一な設計は、人気のある商品のきめ細かいコードに繰り返しコストを発生させる。
本稿では,項目を可変長の単語としてエンコードし,対話コンテキストから次の項目を生成するJevRecを提案する。
- 参考スコア（独自算出の注目度）: 9.798479540276164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative recommendation (GR) represents items as semantic identifiers (SIDs) and autoregressively generates the next item's SID from interaction history. However, most methods assign the same SID length to all items despite highly unequal interaction frequencies. This uniform design repeatedly incurs the cost of fine-grained codes for popular items, while shortening codes to reduce this cost also compresses the semantic representations of long-tail items. Inspired by the compact forms of frequent expressions in natural language, we propose JevRec to encode items as variable-length words and generate the next item from interaction context. Linguistic encoding retains frequency-dependent semantic prefixes from shared codebooks, producing shorter SIDs for popular items and richer descriptions for long-tail items. Yet predicting a sequence-level length and generating token-level content impose different optimization requirements that may conflict under a shared output head. Our Jev-like decision modeling component therefore predicts a length distribution with a dedicated head and generates content conditioned on length through a separate head while sharing the interaction-history representation. Experiments on three public datasets show that JevRec outperforms all compared baselines across the evaluated recommendation metrics. Further analyses show lower training and inference time than TIGER and reduced gradient conflict between length and content prediction.
- Abstract（参考訳）: 生成レコメンデーション(GR)は、アイテムを意味的識別子(SID)として表現し、相互作用履歴から次の項目のSIDを自動回帰的に生成する。
しかし、ほとんどの手法は、非常に不平等な相互作用周波数にもかかわらず、全ての項目に同じSID長を割り当てる。
この均一な設計は、人気アイテムの細粒度のコードコストを繰り返す一方で、このコストを削減するためのコード短縮は、ロングテールアイテムのセマンティック表現を圧縮する。
自然言語における頻繁な表現のコンパクトな形式に着想を得て,項目を可変長の単語としてエンコードし,対話コンテキストから次の項目を生成するJevRecを提案する。
言語エンコーディングは、共有コードブックからの周波数依存のセマンティックプレフィックスを保持し、人気のあるアイテムのSIDを短くし、ロングテールアイテムのよりリッチな記述を生成する。
しかし、シーケンスレベルの長さを予測し、トークンレベルのコンテンツを生成することは、共有出力ヘッドの下で競合する可能性のある、異なる最適化要件を課します。
筆者らのJev-like決定モデリングコンポーネントは,対話履歴表現を共有しながら,専用ヘッドで長さ分布を予測し,個別ヘッドを介して長さ条件付きコンテンツを生成する。
3つの公開データセットの実験によると、JevRecは評価されたレコメンデーションメトリクスで比較されたベースラインをすべて上回っている。
さらに、TIGERよりもトレーニングと推論時間が短く、長さとコンテンツ予測の勾配の衝突が減少している。
関連論文リスト
- HypRQ-VAE: Hyperbolic Item Indexing for Long-Tail-Aware Generative Recommender Systems [19.66351621207239]
本稿では,双曲空間におけるアイテムインデックス学習のための最初のフレームワークであるHypRQ-VAEを紹介する。
また,HypRQ-VAEは,特にテールアイテムの推奨において,推奨性能を著しく向上させることを示した。
本分析は, 生成的推薦において, アイテム階層とスパーシリティをモデル化するために, 双曲空間の優れた能力に寄与すると考えられる。
論文 参考訳（メタデータ） (2026-09-03T04:56:22Z) - VaLiDRec: Variable-Length LLM-Aligned Semantic IDs for Generative Recommendation [39.59701442467294]
VaLiDRecは、可変長LLM対応セマンティック識別子に基づく生成レコメンデーションフレームワークである。
ユーザの好みをモデル化するために、VaLiDRecはグラフ対応のソフトプロンプトを導入し、トークンセット予測としてレコメンデーションを再構成する。
実世界の4つのデータセットの実験では、VaLiDRecは、強い、シーケンシャルな生成推奨ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-07-28T02:29:10Z) - 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) - Variable-Length Semantic IDs for Recommender Systems [0.0]
推薦システムにおける鍵となる課題は、アイテム空間の極端に大きな濃度である。
既存のアプローチは固定長のセマンティック識別子を生成し、すべての項目に同じ記述長を割り当てる。
これは非効率であり、自然言語と不一致であり、現実世界のカタログの高度に歪んだ周波数構造を無視している。
本稿では,適応長の項目表現を原理的確率的枠組みで学習する離散変分オートエンコーダを提案する。
論文 参考訳（メタデータ） (2026-02-18T11:29:05Z) - 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) - CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation [55.783414010717074]
CoFiRecは、アイテム情報をセマンティックレベルに分解する新しい生成レコメンデーションフレームワークである。
我々は、CoFiRecが既存の手法より優れており、ジェネレーティブレコメンデーションの新しい視点を提供することを示す。
論文 参考訳（メタデータ） (2025-11-27T18:59:35Z) - DynaSpec: Context-aware Dynamic Speculative Sampling for Large-Vocabulary Language Models [13.242009624334996]
DynaSpecは動的ショートリスト機構で、堅牢で、ドラフトをスピードアップし、さまざまなタスクにまたがって一般化する。
Llama-3-8Bでは許容される平均長を98.2%まで改善した。
文脈依存の選択を利用することで、DynaSpecは生成トークンの最大2.18倍、固定語彙アプローチの1.91倍を達成する。
論文 参考訳（メタデータ） (2025-10-11T19:38:07Z) - Dynamic Chunking and Selection for Reading Comprehension of Ultra-Long Context in Large Language Models [1.5817866616624976]
大きな言語モデル(LLM)は長いテキストを正確に読み書きするのに苦労することが多い。
現在の改善方法は、通常、長いコンテキストを固定長のチャンクに分割することに依存する。
本稿では,長いコンテキストのチャンクを動的に分離し,選択するための簡単なアプローチを提案する。
論文 参考訳（メタデータ） (2025-06-01T01:42:40Z) - SparseCoder: Identifier-Aware Sparse Transformer for File-Level Code
Summarization [51.67317895094664]
本稿では,大規模なソースコードプロジェクトの理解と維持を支援するファイルレベルのコード要約について検討する。
長いコードシーケンスを効果的に処理するための識別子対応スパース変換器であるSparseCoderを提案する。
論文 参考訳（メタデータ） (2024-01-26T09:23:27Z) - Optimizing Factual Accuracy in Text Generation through Dynamic Knowledge
Selection [71.20871905457174]
言語モデル(LM)は、私たちが情報と対話する方法に革命をもたらしたが、しばしば非現実的なテキストを生成する。
従来の手法では、外部知識をテキスト生成の参照として使用して事実性を高めるが、無関係な参照の知識の混在に苦慮することが多い。
本稿では,テキスト生成プロセスを反復処理に分割するDKGenを提案する。
論文 参考訳（メタデータ） (2023-08-30T02:22:40Z) - Multilingual Autoregressive Entity Linking [49.35994386221958]
mGENREはMultilingual Entity Linking問題のためのシーケンス対シーケンスシステムである。
与えられた言語で言及すると、mGENREはターゲットエンティティの名前を左から右へ、トークンごとに予測します。
提案手法の有効性を3つのMELベンチマーク実験を含む広範囲な評価により示す。
論文 参考訳（メタデータ） (2021-03-23T13:25:55Z)
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。