生成的推薦（GR）は、推薦システムにおける新しいパラダイムで、アイテムの特徴を離散化するための量子化された表現に依存しています。ユーザーの歴史的な相互作用を離散トークンのシーケンスとしてモデル化し、次のアイテムを予測します。しかし、質の高いセマンティックIDの構築には困難が伴い、現在のアプローチは多モーダル情報を有効に活用する能力に限界があります。これに対処するために、著者らは「マルチアスペクトクロスモーダル量子化（MACRec）」を提案し、セマンティックIDの学習と生成モデルのトレーニングに多モーダル情報を統合します。特に、ID学習プロセスにおけるクロスモーダル量子化は、相違点を減少させ、コードブックの有用性を向上させます。また、多様なアライメントを組み入れることで生成能力をさらに高めています。実験では、3つの著名な推薦データセットを使用して提案手法の有効性が示されています。