論文の概要: Think Globally, Generate Personally: Multi-View Thinking with Adaptive Generation for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2611.02463v1
• Date: Mon, 02 Nov 2026 03:26:15 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:48:06.519841
• Title: Think Globally, Generate Personally: Multi-View Thinking with Adaptive Generation for Generative Recommendation
• Title（参考訳）: グローバルに, 個々に生成する: ジェネレーティブレコメンデーションのための適応生成による多視点思考
• Abstract要約: 我々は,グローバルに思考し,個人的に生成するフレームワークである,適応生成を用いたマルチビュー思考(MV-Thinker)を提案する。 MV-Thinkerは、複数のランキングの指標において、差別的で生成的な推奨基準を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 47.633339206461436
• License:
• Abstract: Semantic-ID-based (SID) generative recommendation (GR) represents each item as a sequence of discrete tokens and predicts the next item through autoregressive SID generation. However, existing methods face two challenges. First, insufficient shared context modeling for user sequences: full-history and recent behaviors provide overlapping yet complementary evidence, but modeling them within a single sequence may dilute current cues, whereas processing them through separate streams may fail to coordinate them. Second, insufficient personalized adaptation in progressive SID decisions: although decoder states evolve with generated prefixes, existing models typically use a shared output-side transformation across recommendation instances, without explicitly selecting a transformation suited to the current user need. To address these challenges, we propose Multi-View Thinking with Adaptive Generation (MV-Thinker), a framework that Thinks Globally and Generates Personally. First, Multi-View Temporal Thinking uses view-specific thinking queries and readers over overlapping full-history and recent-history views, coordinating both sources into complementary user-conditioned contexts before SID generation. Second, Hierarchical Residual Adaptation organizes lightweight adapters into nested residual paths before a shared vocabulary projection, adaptively transforming context-bearing decoder states for SID decisions. Extensive experiments on four public datasets demonstrate that MV-Thinker consistently outperforms strong discriminative and generative recommendation baselines across multiple ranking metrics. The implementation code and datasets are available on: https://anonymous.4open.science/r/MV-Thinker
• Abstract（参考訳）: セマンティックIDベース(SID)生成レコメンデーション(GR)は、各項目を離散トークンのシーケンスとして表現し、自己回帰SID生成を通じて次の項目を予測する。 しかし、既存の手法は2つの課題に直面している。 まず、ユーザシーケンスの共有コンテキストモデリングが不十分である: フルヒストリーと最近の振る舞いは重複するが相補的な証拠を提供するが、それらを単一のシーケンスでモデル化することは、現在のキューを減らし、一方、個別のストリームでそれらを処理することは、それらを調整するのに失敗する。 第二に、プログレッシブSID決定におけるパーソナライズされた適応が不十分である:デコーダ状態は生成されたプレフィックスとともに進化するが、既存のモデルは、通常、現在のユーザニーズに合った変換を明示的に選択することなく、レコメンデーションインスタンス間で共有出力側変換を使用する。 これらの課題に対処するために、我々は、グローバルに思考し、個人的に生成するフレームワークである、適応生成を伴うマルチビュー思考(MV-Thinker)を提案する。 第一に、マルチビューテンポラルシンキングは、フルヒストリーと最近のヒストリーのビューをオーバーラップして、ビュー固有の思考クエリと読者を使用し、両方のソースをSID生成の前に補完的なユーザコンテクストにコーディネートする。 第二に、階層的残留適応(Hierarchical Residual Adaptation)は、共有語彙プロジェクションの前に、軽量なアダプタをネストされた残留経路に整理し、SID決定のためのコンテキスト付きデコーダステートを適応的に変換する。 4つの公開データセットに対する大規模な実験は、MV-Thinkerが複数のランクの指標で強い差別的で生成的な推奨基準を一貫して上回っていることを示している。 実装コードとデータセットは、 https://anonymous.4open.science/r/MV-Thinkerで利用可能である。

関連論文リスト

• Preference Shapes Relevance: Cross-component Hierarchical Semantic Alignment for Personalized Generative Retrieval [37.821022474615994]
  Generative Retrieval (GR) は、クエリを直接セマンティックID(SID)にマッピングし、候補項目の強力な表現能力を持つ、有望なパラダイムとして登場した。 アイテムコンテンツから派生した既存のSIDはセマンティックギャップを生成し、動的クエリインテントと静的なアイテム表現の整合に失敗する。 本稿では,個別のSIDを合成してユーザ動作をモデル化し,詳細なセマンティック・リファインメントのための構造ガイダンスと連続表現を行う,新しいパーソナライズされたGRフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-31T10:30:22Z)
• Hierarchical Quantization with Domain-Adaptive Sparse Routing for Generative Cross-Domain Recommendation [52.29536950794571]
  HD-Recは、クロスドメインレコメンデーションのための統一された生成フレームワークである。 グローバルに共有される粗いコードブックと適応的にルーティングされた微妙なコードブックを使用して意味的識別子を構築する階層的なドメイン認識量化器を採用している。 実験によると、HD-Recは競合するシーケンシャル、生成、ドメイン横断の推奨ベースラインよりも一貫して改善されている。
  論文  参考訳（メタデータ） (2026-08-07T09:15:19Z)
• Grevo: A Unified Generative Recommendation Framework with Evolutionary Item Indexing [7.05169171974845]
  本稿では,進化的項目の索引付けを併用したジェネレーティブ・レコメンデーション・フレームワークを提案する。 Grevoは、振る舞いSID生成タスクとセマンティックSIDグラウンディングタスクを統一する単一のレコメンデータ上に構築されている。 Grevoは最先端のジェネレーティブレコメンデーション手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-07-28T06:27:33Z)
• 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)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)

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。