論文の概要: IDs That Mean Something: A Hands-On Tutorial on Semantic IDs for Recommender Systems

• arxiv url: http://arxiv.org/abs/2611.04140v1
• Date: Tue, 03 Nov 2026 01:33:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:42:46.982043
• Title: IDs That Mean Something: A Hands-On Tutorial on Semantic IDs for Recommender Systems
• Title（参考訳）: 何かを意味するID:レコメンダシステムのためのセマンティックIDのチュートリアル
• Abstract要約: このチュートリアルは、情報活用のスケーラブルな手段として、生のIDから意味的なIDへの進化をトレースする。 ハンズオンは、セマンティックIDの構築と評価を通じて参加者を誘導する。 我々は、動的セマンティックIDやマルチステークホルダーユーティリティなど、オープンな課題について論じる。
• 参考スコア（独自算出の注目度）: 6.810781704555327
• License:
• Abstract: Traditional recommender systems rely on arbitrary integer IDs to identify items, which carry no semantic information and force models to learn representations from interaction data. While leveraging content information can partially mitigate cold-start, this paradigm inherently suffers from exploding embedding tables and scenario-specific architectures. Recent years have seen the emergence of semantic IDs, which encode semantic information directly into the item identity, reflecting content, hierarchy, and relationships. This framework addresses the above limitations by offering a principled way to encode large-scale semantic information into item identity, benefiting both generative and discriminative applications and unlocking more native unification across modalities, domains, and tasks. This tutorial traces the evolution from raw IDs to semantic IDs as a scalable means of information utilization, offering a comprehensive review of their development and applications across multi-modality, cold-start, and cross-domain recommendation. Hands-on exercises guide attendees through building and evaluating semantic IDs, training models, and exploring cross-domain transfer. We conclude by discussing open challenges, including dynamic semantic IDs and multi-stakeholder utility. All materials of the tutorial could be found at the official website https://semantic-id-tutorial.github.io.
• Abstract（参考訳）: 従来のレコメンデータシステムは、アイテムを特定するために任意の整数IDに依存しており、セマンティックな情報を持たず、相互作用データから表現を学ぶようモデルに強制する。 コンテンツ情報を活用することで、コールドスタートを部分的に軽減できるが、このパラダイムは本質的に、組み込みテーブルやシナリオ固有のアーキテクチャの爆発に苦しむ。 近年、セマンティックIDが出現し、セマンティック情報をアイテムのアイデンティティに直接エンコードし、コンテンツ、階層、関係性を反映している。 このフレームワークは、大規模なセマンティック情報をアイテムのアイデンティティにエンコードする原則的な方法を提供し、生成的および差別的なアプリケーションの両方に恩恵を与え、モダリティ、ドメイン、タスクをまたいだよりネイティブな統一を解き放つことによって、上記の制限に対処する。 このチュートリアルは、情報利用のスケーラブルな手段として、生のIDからセマンティックIDへの進化をトレースし、マルチモダリティ、コールドスタート、クロスドメインレコメンデーションにわたる開発とアプリケーションの包括的なレビューを提供する。 ハンズオンは、セマンティックIDの構築と評価、トレーニングモデル、ドメイン間の転送の探索を通じて参加者を誘導する。 我々は、動的セマンティックIDやマルチステークホルダーユーティリティなど、オープンな課題について論じる。 チュートリアルのすべての資料は公式ウェブサイト https://semantic-id-tutorial.github.io で見ることができる。

関連論文リスト

• CustAny: Customizing Anything from A Single Example [73.90939022698399]
  10kカテゴリにわたる315kのテキストイメージサンプルを特徴とする,汎用オブジェクトの大規模なデータセットを構築するための新しいパイプラインを提案する。 MC-IDCの助けを借りて、汎用オブジェクトの柔軟なテキスト編集をサポートするゼロショットフレームワークであるCustomizing Anything (CustAny)を紹介した。 当社のコントリビューションには、大規模なデータセット、CustAnyフレームワーク、新しいID処理などが含まれています。
  論文  参考訳（メタデータ） (2024-06-17T15:26:22Z)
• ID-centric Pre-training for Recommendation [51.72177873832969]
  IDの埋め込みは、新しいドメインに移すことが難しい。 ID埋め込みにおける行動情報は、まだPLMベースのレコメンデーションモデルで支配的であることが証明されている。 本稿では,事前学習ドメインで学習した情報型ID埋め込みを新しいドメインの項目表現に直接転送する,新しいID中心の事前学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-05-06T15:34:31Z)
• Enhancing Content-based Recommendation via Large Language Model [19.005906480699334]
  本稿では,2つの主要コンポーネントを含む意味的知識伝達手法であるtextbfLoIDを提案する。 実世界のデータセットをベースラインとしたSOTAによる広範囲な実験を行い、本手法のLoIDを大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2024-03-30T03:56:53Z)
• Language Models As Semantic Indexers [78.83425357657026]
  本稿では,ジェネレーティブ言語モデルを用いてセマンティックIDを学習するための自己教師型フレームワークLMIndexerを紹介する。 学習したIDの質を検証し,推奨,製品検索,文書検索の3つの課題において有効性を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:56:15Z)

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。