論文の概要: REGER: Modeling inter-item Relations with Semantic IDs for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2610.37584v1
• Date: Tue, 27 Oct 2026 17:25:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.731495
• Title: REGER: Modeling inter-item Relations with Semantic IDs for Generative Recommendation
• Title（参考訳）: REGER:ジェネレーティブレコメンデーションのためのセマンティックIDを用いた中間関係のモデル化
• Abstract要約: 本稿では,文間関係をセマンティック事前学習,履歴符号化,SID生成に組み込んだ統合フレームワークREGERを提案する。 我々は、歴史的文脈を捉えるために、グローバルな注意とSID境界に沿ったローカルな注意を組み合わせる。 この分析に基づいて,SID経路に沿った接地接地接地接頭辞において,すべての法定次トークンに対して,識別教師の完全な条件分布を蒸留する。
• 参考スコア（独自算出の注目度）: 44.88918741190371
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized recommendation depends on learning semantic and collaborative relations among items from online content and user interactions. Generative recommendation (GR) offers a promising paradigm by autoregressively generating discrete semantic IDs (SIDs) of items. However, randomly initialized SID token embeddings and GR models trained from scratch do not directly inherit the semantic relations inherent in items, while inter-item collaborative relations are learned largely implicitly through token-level attention and next-token supervision. To address this limitation, we propose REGER, a unified framework that explicitly incorporates inter-item relations into semantic pretraining, history encoding, and SID generation. We pretrain the GR model through generative semantic retrieval, enabling it to inherit inter-item semantic similarity by learning to generate semantic neighbors' SIDs. We combine global attention with local attention aligned with SID boundaries to capture historical context and directed transitions between adjacent items. We further develop a theoretical framework for hierarchical preference decomposition over the SID prefix tree, proving an exact factorization of collaborative preference distributions and a weighted decomposition of item-level KL divergence into prefix-conditional KL divergences. Building on this analysis, we distill a discriminative teacher's full conditional distributions over all legal next tokens at ground-truth prefixes along the target SID path, jointly optimizing this objective with cross-entropy. Extensive experiments on real-world datasets demonstrate consistent improvements over existing GR baselines and support the effectiveness of the proposed preference distillation.
• Abstract（参考訳）: パーソナライズドレコメンデーションは、オンラインコンテンツとユーザインタラクションからアイテム間のセマンティクスと協調関係を学習することに依存する。 ジェネレーティブレコメンデーション(GR)は、アイテムの個別のセマンティックID(SID)を自動回帰生成することで、有望なパラダイムを提供する。 しかし、スクラッチから訓練されたランダム初期化SIDトークン埋め込みとGRモデルは、アイテム固有の意味関係を直接継承するわけではない。 この制限に対処するため,文間関係を意味的事前学習,履歴符号化,SID生成に明示的に組み込んだ統合フレームワークREGERを提案する。 生成的セマンティック検索によりGRモデルを事前学習し、セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティックな類似性を学習し、セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティックス(SID)を生成する。 我々は、世界的注目とSID境界に沿った地域的注意を組み合わせ、歴史的文脈を捉え、隣り合う項目間の遷移を指示する。 さらに,SIDプレフィックスツリー上の階層的選好分解の理論的枠組みを開発し,協調選好分布の正確な因子化と,項目レベルのKL偏差のプレフィックス条件KL偏差への重み付き分解を示す。 そこで本研究では,SID経路に沿った接地接頭辞の接地接頭辞における教師の条件分布を抽出し,この目的をクロスエントロピーで協調的に最適化する。 実世界のデータセットに対する大規模な実験は、既存のGRベースラインよりも一貫した改善を示し、提案した嗜好蒸留の有効性を支持する。

関連論文リスト

• Learning Multiresolution Relevance for Hierarchical Generative Retrieval [26.594708944920868]
  意味的識別子(SID)による生成的検索は、文書階層上で連続的な決定を行う。 RARSはクエリエンコーダをトレーニングし、関連するドキュメントで共有される粗い構造と、より細かい分岐割り当ての両方をキャプチャする。 RARSは、共通の検索ルールの下で、グループ化されたソフトターゲット、デコーダソフトターゲット、サンプルツリーの監視も上回っている。
  論文  参考訳（メタデータ） (2026-09-30T08:51:38Z)
• Addressing Cross-Stage Decoupling of Semantic and Collaborative Signals in Generative Recommendation [0.0]
  生成レコメンデーションは、アイテムをセマンティックトークンにエンコードすることで、自動回帰生成としてシーケンシャルレコメンデーションを再構成する。 既存の生成レコメンデーションシステムは2段階のパイプラインに従っており、アイテムのトークン化はテキストのセマンティクスに支配されている。 本稿では,双方向情報補完による相互整合性を高める汎用フレームワークであるSCRecを提案する。
  論文  参考訳（メタデータ） (2026-09-12T03:10:03Z)
• FedCGR: Federated Cross-Domain Generative Recommendation [1.2440174872828078]
  クロスドメインレコメンデーション(CDR)は、関連するドメイン間で好みの知識を転送する。 我々は、アイテム言語を安定に保ち、明示的な適応を可能にするフェデレーションCDRフレームワークであるFedCGRを提案する。
  論文  参考訳（メタデータ） (2026-08-11T13:58:55Z)
• Collaborative Memory Augmentation for Generative Recommendation [49.76630658239287]
  我々は、ジェネレーティブ・リコメンデーションのためのcOllaborative MEmory拡張フレームワークであるtextbfOMEGAを提案する。 まず、学習可能なクエリトークンを用いて、逐次的ユーザ動作をコンパクトな表現に変換する潜在コンテキスト圧縮手法を提案する。 これらの圧縮された表現は、協調的なメモリバンクに集約され、グローバルな行動パターンの明示的なリポジトリとして機能する。
  論文  参考訳（メタデータ） (2026-08-02T15:34:43Z)
• CogRec: Structure-Cognitive Fast-and-Slow Reasoning for Generative Recommendation [29.663400191042996]
  CogRecは構造認識型高速・スロー推論フレームワークである。 CogRecは、層内セマンティックグラフとアイテムレベルの近傍で垂直SID階層を拡大する。 SIDルーティングは、レイヤワイドマッチ、 LateralJump、Explore操作によるレコメンデーション推論を表す。
  論文  参考訳（メタデータ） (2026-07-27T13:19:55Z)
• 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)
• Unleashing the Native Recommendation Potential: LLM-Based Generative Recommendation via Structured Term Identifiers [51.64398574262054]
  本稿では,意味的にリッチで標準化されたテキストキーワードの集合として定義された用語ID(TID)を導入し,堅牢な項目識別子として機能する。 本稿では,TIDを中心にした新しいフレームワークGRLMを提案し,項目のメタデータを標準化されたTIDに変換し,統合的インストラクションファインタニングを活用して,用語の内部化とシーケンシャルレコメンデーションを協調的に最適化する。
  論文  参考訳（メタデータ） (2026-01-11T07:53:20Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• Prompt-based Logical Semantics Enhancement for Implicit Discourse Relation Recognition [4.7938839332508945]
  Inlicit Discourse Relation Recognition (IDRR) のための Prompt-based Logical Semantics Enhancement (PLSE) 法を提案する。 提案手法は,事前学習した言語モデルに対する対話関係に関する知識を,素早い接続予測によってシームレスに注入する。 PDTB 2.0 と CoNLL16 データセットによる実験結果から,本手法は現状の最先端モデルに対して優れた一貫した性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-11-01T08:38:08Z)

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。