この研究は、生成推薦システムにおける表現認識型のセマンティックトークンプルーニング手法であるRASTPを提案しています。通常、生成推薦システムはセマンティック識別子(SIDs)を利用して各アイテムを意味情報をエンコードしたトークン列で表現しますが、複数のSIDsを使用することは入力シーケンスの長さを大幅に増加させ、計算量やメモリ消費に影響を及ぼします。RASTPは、セマンティックな重要性を評価し、情報量の少ないトークンを取り除くことで、効率的な処理を実現します。実験では、実際のAmazonデータセットを用いて、トレーニング時間を26.7%短縮し、推薦性能は維持または若干向上する結果が得られました。