論文の概要: SIDRec: End-to-End Semantic ID Representation and Modeling for Recommendation

• arxiv url: http://arxiv.org/abs/2611.01136v1
• Date: Sat, 31 Oct 2026 17:27:29 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:11:49.627053
• Title: SIDRec: End-to-End Semantic ID Representation and Modeling for Recommendation
• Title（参考訳）: SIDRec:レコメンデーションのためのエンド・ツー・エンドのセマンティックID表現とモデリング
• Abstract要約: 我々は、エンドツーエンドのレコメンデーションを意識したSID学習フレームワークであるSIDRecを提案する。 SIDRecは、事前訓練されたコンテンツ再試行と、トレーニングされたレコメンデーションモデルからの協調的な埋め込みを統合する。 AUCとGAUCの両方で競合する手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 14.016155203259132
• License:
• Abstract: Semantic IDs (SIDs) have emerged as a promising approach for discriminative recommendation by encoding continuous item rep- resentations into compact discrete identifiers. However, existing SID-based methods face two fundamental limitations: semantic mis- match between content semantics and collaborative preferences, and objective mismatch between SID construction and downstream recommendation optimization. To address these challenges, we propose SIDRec, an end-to-end recommendation-aware SID learn- ing framework that jointly models content and collaborative in- formation while aligning SID construction with recommendation objectives. Specifically, SIDRec introduces a self-updating fusion mechanism that explicitly integrates pretrained content represen- tations with collaborative embeddings initialized from a trained recommendation model, enabling preference-aware semantic mod- eling. Furthermore, SIDRec employs an MMoE-inspired joint opti- mization mechanism with shared experts and task-specific gates, allowing recommendation supervision to directly guide differen- tiable quantization and produce task-adaptive discrete representa- tions. Extensive experiments on three public benchmark datasets demonstrate that SIDRec consistently outperforms all competing methods across both AUC and GAUC, achieving up to 5.15% relative improvements over the strongest baselines. Further ablation stud- ies validate the effectiveness and complementarity of collaborative semantic modeling and end-to-end SID optimization.
• Abstract（参考訳）: セマンティックID (SID) は, 連続した項目のリセプションをコンパクトな離散識別子に符号化することで, 識別的レコメンデーションのための有望なアプローチとして登場した。 しかし、既存のSIDベースの手法では、コンテンツセマンティクスと協調的嗜好のセマンティクスミスマッチと、SID構築と下流レコメンデーション最適化の客観的なミスマッチの2つの基本的な制限に直面している。 これらの課題に対処するため、我々は、SID構築とレコメンデーション目標を整合しながら、コンテンツと協調的なインフォーメーションを共同でモデル化する、エンドツーエンドのレコメンデーション対応SID学習フレームワークであるSIDRecを提案する。 具体的には、SIDRecは自己更新融合機構を導入し、トレーニングされたレコメンデーションモデルから初期化された協調的な埋め込みと事前学習されたコンテンツレコメンデーションを明示的に統合し、好みを意識したセマンティック・モーメント・エリングを可能にする。 さらに、SIDRecは、MMoEにインスパイアされた共同オプティマイズ機構を、共有専門家とタスク固有のゲートと組み合わせて採用している。 3つの公開ベンチマークデータセットに対する大規模な実験は、SIDRecがAUCとGAUCの両方で競合するすべてのメソッドを一貫して上回り、最強のベースラインに対して最大5.15%の改善を達成していることを示している。 さらに Ablation stud- ies は協調的セマンティックモデリングとエンドツーエンドのSID最適化の有効性と相補性を検証する。

関連論文リスト

• REGER: Modeling inter-item Relations with Semantic IDs for Generative Recommendation [44.88918741190371]
  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。
  論文  参考訳（メタデータ） (2026-10-27T17:25:12Z)
• Reasoning over Semantic IDs Enhances Generative Recommendation [56.83043583765322]
  本稿では,SID 言語アライメントを強化することによって,SID に対する推論を実現する2段階のフレームワークを提案する。 SIDReasonerはさらに、結果駆動強化最適化によるレコメンデーション推論を改善している。 実世界の3つのデータセットに対する実験により,SIDに基づく生成推薦の有効性が示された。
  論文  参考訳（メタデータ） (2026-03-24T13:31:48Z)
• End-to-End Semantic ID Generation for Generative Advertisement Recommendation [33.453121305193434]
  生成広告推薦のための統一SID生成フレームワークを提案する。 具体的には、生の広告データからエンドツーエンドで埋め込みとSIDを協調的に最適化する。 実験により、UniSIDは最先端のSID生成方法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-11T02:38:26Z)
• Differentiable Semantic ID for Generative Recommendation [65.83703273297492]
  生成的推薦は、各項目がリッチコンテンツから学習された個別意味ID(SID)によって表現される新しいパラダイムを提供する。 実際には、SIDはレコメンデーションの正確さよりもコンテンツ再構成に最適化されるのが一般的である。 自然なアプローチは、セマンティックインデックスを差別化して、レコメンデーショングラデーションが直接SID学習に影響を与えるようにすることだ。 本稿では,ジェネレーティブレコメンデーションのための効果的な識別可能なセマンティックIDに向けた第一歩として,DIGERを提案する。
  論文  参考訳（メタデータ） (2026-01-27T15:34:11Z)
• Generative Reasoning Recommendation via LLMs [48.45009951684554]
  大規模言語モデル(LLM)は、生成的推論レコメンデーションモデル(GRRM)として機能する上で、根本的な課題に直面している。 本研究は,レコメンデーションタスクに対する統一的な理解・推論・予測方法を実現する,事前学習されたLLMを適用してGRRMを構築する方法について検討する。 本稿では,協調的セマンティックアライメント(Collaborative-Semantic Alignment),Reasoning Curriculum Activation(Reasoning Curriculum Activation),Sparse-Regularized Group Policy Optimization(Sparse-Regularized Group Policy Optimization)の3つのコンポーネントを統合するエンドツーエンドフレームワークであるGREAMを提案する。
  論文  参考訳（メタデータ） (2025-10-23T17:59:31Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)

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。