論文の概要: TriGen: A Generative Paradigm for Trigger-Induced Recommendation
- arxiv url: http://arxiv.org/abs/2611.16395v1
- Date: Thu, 12 Nov 2026 07:07:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.382593
- Title: TriGen: A Generative Paradigm for Trigger-Induced Recommendation
- Title(参考訳): TriGen: トリガーによるレコメンデーションのための生成パラダイム
- Abstract要約: TriGenはトリガー誘導レコメンデーションのための調整された生成パラダイムである。
局所的な履歴を再エンコードし、持続的な味覚と即時的な衝動を適応的に調合し、位置特異的な変化をレベル認識トリガー誘導の維持に適用する。
6つの国市場にわたるオンラインA/Bテストは、大きな収益とGMVの改善を示し、TriGenの完全な製品展開につながった。
- 参考スコア(独自算出の注目度): 13.653233920001824
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative recommendation typically operates under the User-Induced Recommendation (UIR) setting, predicting target items by autoregressively generating semantic IDs as a passive continuation of long-term user history. However, this paradigm overlooks Trigger-Induced Recommendation (TIR), an essential industrial scenario where a user click triggers an immediate follow-up feed. In TIR, recommendations must dynamically align with the instant trigger intent without compromising historical preference continuity. Traditional TIR methods rely on discriminative scoring and cannot guide token-level generation, while existing generative models lack mechanisms to reconcile this structural tension. To address this challenge, we propose TriGen, establishing a tailored generative paradigm for trigger-induced recommendation. TriGen introduces calibrated tail injection to re-encode local history, adaptively arbitrates between persistent tastes and immediate impulses via dynamic gating, and applies position-specific transformations to sustain level-aware trigger guidance across decoding steps. Extensive offline evaluations confirm consistent gains over competitive baselines. Furthermore, online A/B tests across six country markets demonstrate significant revenue and GMV improvements, leading to the full production deployment of TriGen.
- Abstract(参考訳): ジェネレーティブレコメンデーションは通常UIR(User-induced Recommendation)設定の下で動作し、長期ユーザー履歴の受動的継続としてセマンティックIDを自動回帰生成することでターゲットアイテムを予測する。
しかし、このパラダイムはTriger-induced Recommendation (TIR)を見落としている。
TIRでは、リコメンデーションは歴史的嗜好の連続性を損なうことなく、インスタントトリガーインテントと動的に一致させなければならない。
従来のTIR法は差別的なスコアリングに依存しており、トークンレベルの生成を導くことはできないが、既存の生成モデルはこの構造的緊張を和らげるメカニズムを欠いている。
この課題に対処するために、トリガー誘導レコメンデーションのための調整された生成パラダイムを確立するTriGenを提案する。
TriGenは、ローカル履歴を再エンコードするためにキャリブレーションされたテールインジェクションを導入し、動的ゲーティングを通じて永続的な味覚と即時インパルスを適応的に調停し、デコードステップ全体にわたってレベル認識トリガーガイダンスを維持するために位置特異的な変換を適用している。
大規模なオフライン評価では、競争ベースラインよりも一貫した利得が確認されている。
さらに、6つの国市場にわたるオンラインA/Bテストは、大きな収益とGMVの改善を示し、TriGenの完全な製品展開につながった。
関連論文リスト
- WhisperRec: Latent Reasoning for Efficient Foundation Recommendation Models [51.88075626243057]
基礎推薦モデル(FRM)のための効率的な潜在推論フレームワークであるWhisperRecを提案する。
WhisperRecは教師生成のChain-of-Thought(CoT)を学習可能な潜在推論トークンに圧縮する。
WhisperRecは明示的なCoT法と従来のベースラインを一貫して上回ることを示す。
論文 参考訳(メタデータ) (2026-07-29T08:48:35Z) - Reward Guided Decoding for Generative Recommendation [31.411371973118975]
我々は、KL正規化報酬レコメンデーション問題として値誘導復号法を定式化する。
テストタイムコントローラとして報酬モデルを導入し、各デコードステップに報酬を注入し、ジェネレータを再学習することなく探索軌道を再構成する。
当社のアプローチはKuaishouプラットフォームにデプロイされており、現実のレコメンデーションシナリオを一貫した改善を実現しています。
論文 参考訳(メタデータ) (2026-07-28T06:46:30Z) - EvoRubric: Self-Evolving Rubric-Driven RL for Open-Ended Generation [42.93367895323788]
EvoRubricは、独創的な共進化型強化学習フレームワークである。
静的な基準や外部のルーリックジェネレータへの依存をなくす。
従来の静的および外部LLM駆動アライメントメソッドよりも一貫して優れています。
論文 参考訳(メタデータ) (2026-05-28T12:28:49Z) - DeGRe: Dense-supervised Generative Reranking for Recommendation [22.41679588580571]
オフラインの探索とオンラインの効率のギャップを、密集した監督によって埋める、ジェネレーティブ・リグレード・フレームワークであるDeGReを提案する。
トレーニング中、評価器から高密度の監視信号に変換し、それらを軽量オンラインジェネレータに蒸留する。
私たちは、Taobao Flash ShoppingにDeGReをうまくデプロイし、オンラインレコメンデーションを大幅に改善しました。
論文 参考訳(メタデータ) (2026-05-25T12:00:42Z) - Dance Across Shifts: Forward-Facilitation Continual Test-Time Adaptation through Dynamic Style Bridging [65.11234199720428]
継続的テスト時間適応(Continuous Test-Time Adaptation)は、デプロイメント後に発生する動的分散シフトを処理するために、知覚システムを強化することを目的としている。
動的スタイルブリッジと呼ばれる手法により,新しいフォワードファシリケーションパラダイムを導入する。
テスト期間中に、固有の生成バイアスを緩和し、これらのプロキシを入力データに適用するために、マルチレベルブリッジ機構を提案する。
論文 参考訳(メタデータ) (2026-05-18T16:18:17Z) - 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) - GEMs: Breaking the Long-Sequence Barrier in Generative Recommendation with a Multi-Stream Decoder [54.64137490632567]
本稿では,長期的履歴からユーザのシーケンスをキャプチャする新しい統一フレームワークを提案する。
GEM(Generative Multi-streamer)は、ユーザのシーケンスを3つのストリームに分割する。
大規模産業データセットに対する大規模な実験により、GEMは推奨精度において最先端の手法を大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2026-02-14T06:42:56Z) - Generative Chain of Behavior for User Trajectory Prediction [21.55902608247895]
Generative Chain of Behavior(GCB)は、ユーザインタラクションを、複数の将来のステップにおけるセマンティックな振る舞いの自己回帰連鎖としてモデル化する、ジェネレーティブなフレームワークである。
GCBは、多段階の精度と軌道整合性において、最先端のシーケンシャルレコメンデータよりも一貫して優れている。
論文 参考訳(メタデータ) (2026-01-26T06:57:31Z) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳(メタデータ) (2025-10-10T18:42:32Z) - A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems [20.672668625179526]
遅延共起バイアスは、ユーザのフィードバックとアイテムの露出の間の真の因果関係を曖昧にする可能性がある。
本稿では,Recommender Systemsにおける表現学習のための遅延因果制約(Latent Causality Constraints)と呼ばれる新しい生成フレームワークを提案する。
論文 参考訳(メタデータ) (2025-05-22T14:09:39Z)
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。