論文の概要: On component interactions in two-stage recommender systems

• arxiv url: http://arxiv.org/abs/2106.14979v1
• Date: Mon, 28 Jun 2021 20:53:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 15:35:13.178268
• Title: On component interactions in two-stage recommender systems
• Title（参考訳）: 2段階推薦システムにおける成分相互作用について
• Authors: Jiri Hron, Karl Krauth, Michael I. Jordan, Niki Kilbertus
• Abstract要約: 2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。 ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。 特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
• 参考スコア（独自算出の注目度）: 82.38014314502861
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thanks to their scalability, two-stage recommenders are used by many of today's largest online platforms, including YouTube, LinkedIn, and Pinterest. These systems produce recommendations in two steps: (i) multiple nominators -- tuned for low prediction latency -- preselect a small subset of candidates from the whole item pool; (ii)~a slower but more accurate ranker further narrows down the nominated items, and serves to the user. Despite their popularity, the literature on two-stage recommenders is relatively scarce, and the algorithms are often treated as the sum of their parts. Such treatment presupposes that the two-stage performance is explained by the behavior of individual components if they were deployed independently. This is not the case: using synthetic and real-world data, we demonstrate that interactions between the ranker and the nominators substantially affect the overall performance. Motivated by these findings, we derive a generalization lower bound which shows that careful choice of each nominator's training set is sometimes the only difference between a poor and an optimal two-stage recommender. Since searching for a good choice manually is difficult, we learn one instead. In particular, using a Mixture-of-Experts approach, we train the nominators (experts) to specialize on different subsets of the item pool. This significantly improves performance.
• Abstract（参考訳）: スケーラビリティのおかげで、2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、今日の最大のオンラインプラットフォームの多くで使用されている。 これらのシステムは2つのステップでレコメンデーションを生成する: (i) 複数のノミネーター - 低予測レイテンシ用に調整された -- アイテムプール全体から候補の小さなサブセットをプリセレクトする; (ii) - 遅いがより正確なランク付け器により、推奨項目をさらに絞り、ユーザに役立ちます。 その人気にもかかわらず、2段階の推薦者に関する文献は比較的少なく、アルゴリズムはその部分の合計として扱われることが多い。 このような処理は、独立して配置された場合、2段階のパフォーマンスは個々のコンポーネントの振る舞いによって説明される、と仮定する。 合成データと実世界のデータを用いて、ランカとノミネータの相互作用が全体的なパフォーマンスに実質的に影響することを実証する。 これらの結果から,各ノミネーターのトレーニングセットの慎重な選択が,貧弱者と最適二段階推薦者の唯一の相違であることを示す一般化の下界を導出した。 良い選択を手動で探すことは難しいので、私たちは代わりに学ぶ。 特に、mixed-of-expertsアプローチを使用して、nominators (experts) をトレーニングして、アイテムプールのさまざまなサブセットを専門化します。 これにより性能が大幅に向上する。

関連論文リスト

• Our Model Achieves Excellent Performance on MovieLens: What Does it Mean? [43.3971105361606]
  我々は、MovieLensデータセットの綿密な分析を行う。 MovieLensプラットフォームと対話する場合、異なる段階でのユーザインタラクションには大きな違いがある。 そこで本研究では,MovieLensシステムで使用されるインタラクション生成機構と,一般的な実世界のレコメンデーションシナリオとの相違について論じる。
  論文  参考訳（メタデータ） (2023-07-19T13:44:32Z)
• Cooperative Retriever and Ranker in Deep Recommenders [75.35463122701135]
  ディープ・レコメンダ・システム (DRS) は、現代のウェブサービスに強く適用されている。 DRSは検索とランキングという2段階のワークフローを使用して、推奨結果を生成する。 また、レトリバーとランサーの効果的なコラボレーションも検討している。
  論文  参考訳（メタデータ） (2022-06-28T03:41:50Z)
• Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
  アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。 本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。 パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
  論文  参考訳（メタデータ） (2021-11-25T06:04:59Z)
• From Implicit to Explicit feedback: A deep neural network for modeling sequential behaviours and long-short term preferences of online users [3.464871689508835]
  暗黙的かつ明示的なフィードバックは、有用な推奨のために異なる役割を持つ。 ユーザの嗜好は,長期的利益と短期的利益の組み合わせである,という仮説から導かれる。
  論文  参考訳（メタデータ） (2021-07-26T16:59:20Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。