Spend Search Where It Pays: Value-Guided Structured Sampling and Optimization for Generative Recommendation

Created by

Haebom

저자

Jie Jiang, Yangru Huang, Zeyu Wang, Changping Wang, Yuling Xiong, Jun Zhang, Huan Yu

💡 개요

본 논문은 기존 생성 추천 모델의 확률-보상 불일치 문제를 해결하기 위해 V-STAR라는 새로운 프레임워크를 제안합니다. V-STAR는 Value-Guided Efficient Decoding (VED)과 Sibling-GRPO를 통해 탐색 효율성을 높이고 의사 결정에 집중된 학습 신호를 제공함으로써 추천의 정확성과 다양성을 향상시킵니다. 실험 결과, V-STAR는 최신 기술 대비 우수한 성능을 보여주었습니다.

🔑 시사점 및 한계

•

강화학습 기반 생성 추천 모델의 탐색 부족 및 보상 압축 문제를 효과적으로 해결했습니다.

•

트리 구조 기반 샘플링과 상대적 장점 계산을 통해 추천 시스템의 효율성과 성능을 개선했습니다.

•

복잡한 트리 탐색 과정을 더 효율적으로 수행할 수 있는 방법을 제시했습니다.

•

제안된 프레임워크의 복잡성과 실제 서비스 적용 시의 확장성 및 추가적인 최적화 방안에 대한 연구가 필요합니다.

PDF 보기

Made with Slashpage