論文の概要: Re-ranking With Constraints on Diversified Exposures for Homepage Recommender System

• arxiv url: http://arxiv.org/abs/2112.07621v1
• Date: Sun, 12 Dec 2021 09:34:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-15 16:50:58.122161
• Title: Re-ranking With Constraints on Diversified Exposures for Homepage Recommender System
• Title（参考訳）: ホームページレコメンデーションシステムにおける多彩な露出の制約付き再ランキング
• Authors: Qi Hao, Tianze Luo, Guangda Huzhang
• Abstract要約: 本稿では,ホームページレコメンデーションシステムの2段階アーキテクチャを提案する。 最初の段階では、適切なチャネルにアイテムを推薦する効率的なアルゴリズムを開発する。 第2段階では、各チャンネルに順序づけられたアイテムのリストを提供する。
• 参考スコア（独自算出の注目度）: 7.618705258302672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The homepage recommendation on most E-commerce applications places items in a hierarchical manner, where different channels display items in different styles. Existing algorithms usually optimize the performance of a single channel. So designing the model to achieve the optimal recommendation list which maximize the Click-Through Rate (CTR) of whole homepage is a challenge problem. Other than the accuracy objective, display diversity on the homepage is also important since homogeneous display usually hurts user experience. In this paper, we propose a two-stage architecture of the homepage recommendation system. In the first stage, we develop efficient algorithms for recommending items to proper channels while maintaining diversity. The two methods can be combined: user-channel-item predictive model with diversity constraint. In the second stage, we provide an ordered list of items in each channel. Existing re-ranking models are hard to describe the mutual influence between items in both intra-channel and inter-channel. Therefore, we propose a Deep \& Hierarchical Attention Network Re-ranking (DHANR) model for homepage recommender systems. The Hierarchical Attention Network consists of an item encoder, an item-level attention layer, a channel encoder and a channel-level attention layer. Our method achieves a significant improvement in terms of precision, intra-list average distance(ILAD) and channel-wise Precision@k in offline experiments and in terms of CTR and ILAD in our online systems.
• Abstract（参考訳）: ほとんどのeコマースアプリケーションのホームページレコメンデーションは、アイテムを階層的に配置し、異なるチャネルが異なるスタイルでアイテムを表示する。 既存のアルゴリズムは通常、単一のチャネルのパフォーマンスを最適化する。 したがって、ホームページ全体のクリックスルー率(ctr)を最大化する最適な推奨リストを達成するためのモデルを設計することは課題である。 精度の目標以外は、均質ディスプレイはユーザー体験を損なうため、ホームページ上での表示の多様性も重要である。 本稿では,ホームページ推薦システムの2段階アーキテクチャを提案する。 最初の段階では,多様性を維持しつつ適切なチャネルに商品を推薦する効率的なアルゴリズムを開発した。 2つの手法を組み合わせることができる: 多様性の制約のあるユーザチャネルイテム予測モデル。 第2段階では、各チャンネルに順序付けられたアイテムのリストを提供する。 既存の再ランキングモデルは、チャネル内とチャネル間の両方の項目間の相互影響を記述するのが難しい。 そこで本稿では,ホームページ推薦システムを対象としたDeep \&hierarchical Attention Network Re- ranking (DHANR)モデルを提案する。 階層的注意ネットワークは、アイテムエンコーダ、アイテムレベルの注意層、チャンネルエンコーダ、チャンネルレベルの注意層で構成される。 本手法はオフライン実験における精度, リスト内平均距離(ILAD), チャネルワイド精度@k, オンラインシステムにおけるCTRおよびILADに関して, 大幅な改善を実現している。

関連論文リスト

• ContextGNN: Beyond Two-Tower Recommendation Systems [47.50792319918014]
  本稿では,リコメンデーションシステムにおけるリンク予測のためのコンテキストベースグラフニューラルネットワーク(ContextGNN)を提案する。 本手法は,ユーザのローカルサブグラフ内に位置する親しみやすい項目に対して,ペアワイズ表現手法を用いる。 最終的なネットワークは、ペアワイズとツーツーワーのレコメンデーションの両方を、アイテムの単一のランキングに融合する方法を予測する。
  論文  参考訳（メタデータ） (2024-11-29T07:11:42Z)
• Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation [25.516648802281626]
  逐次レコメンデーションのためのFAME(Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation)という新しい構造を提案する。 最後のマルチヘッドアテンション層における各頭部からのサブ埋め込みを活用して,次の項目を別々に予測する。 ゲーティングメカニズムは、各ヘッドからのレコメンデーションを統合し、それらの重要性を動的に決定する。
  論文  参考訳（メタデータ） (2024-11-03T06:47:45Z)
• Unleashing the Potential of Multi-Channel Fusion in Retrieval for Personalized Recommendations [33.79863762538225]
  Recommender System(RS)の重要な課題は、大量のアイテムプールを効率的に処理して、厳格なレイテンシ制約の下で高度にパーソナライズされたレコメンデーションを提供することだ。 本稿では,各チャネルに最適化された重みを割り当てることで,先進的なチャネル融合戦略を検討する。 当社の手法はパーソナライズと柔軟性を両立させ,複数のデータセット間で大幅なパフォーマンス向上を実現し,現実のデプロイメントにおいて大きな成果を上げている。
  論文  参考訳（メタデータ） (2024-10-21T14:58:38Z)
• Triple-View Knowledge Distillation for Semi-Supervised Semantic Segmentation [54.23510028456082]
  半教師付きセマンティックセグメンテーションのためのトリプルビュー知識蒸留フレームワークTriKDを提案する。 このフレームワークは、トリプルビューエンコーダとデュアル周波数デコーダを含む。
  論文  参考訳（メタデータ） (2023-09-22T01:02:21Z)
• CAViaR: Context Aware Video Recommendations [0.0]
  本稿では,低多様性が個々の項目に対するユーザのエンゲージメントに与える影響をモデル化し,多様性を導入する手法を提案する。 提案手法は,既存の大規模レコメンデータシステムに簡単にプラグインできるように設計されている。
  論文  参考訳（メタデータ） (2023-04-17T16:56:23Z)
• On component interactions in two-stage recommender systems [82.38014314502861]
  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。
  論文  参考訳（メタデータ） (2021-06-28T20:53:23Z)
• End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
  本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。 我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。 この一般的なアプローチは、2つの異なるEEGタスクで評価される。
  論文  参考訳（メタデータ） (2021-02-11T13:44:07Z)
• Channel-wise Knowledge Distillation for Dense Prediction [73.99057249472735]
  本稿では,学生ネットワークと教師ネットワークのチャンネルワイズ機能について提案する。 様々なネットワーク構造を持つ3つのベンチマークにおいて、一貫して優れた性能を実現している。
  論文  参考訳（メタデータ） (2020-11-26T12:00:38Z)
• 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)
• Deep Retrieval: Learning A Retrievable Structure for Large-Scale Recommendations [21.68175843347951]
  本稿では,ユーザとイテムのインタラクションデータを用いて,検索可能な構造を直接学習するために,Deep Retrieval(DR)を提案する。 DRは、産業レコメンデーションシステムのために数億のアイテムをスケールで展開した最初の非ANNアルゴリズムの1つである。
  論文  参考訳（メタデータ） (2020-07-12T06:23:51Z)
• Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
  本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。 我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
  論文  参考訳（メタデータ） (2020-07-08T07:44:00Z)

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。