論文の概要: PEAR: Personalized Re-ranking with Contextualized Transformer for Recommendation

• arxiv url: http://arxiv.org/abs/2203.12267v1
• Date: Wed, 23 Mar 2022 08:29:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-24 16:29:27.556895
• Title: PEAR: Personalized Re-ranking with Contextualized Transformer for Recommendation
• Title（参考訳）: PEAR:リコメンデーションのためのコンテキスト変換器を用いたパーソナライズされた再ランク
• Authors: Yi Li, Jieming Zhu, Weiwen Liu, Liangcai Su, Guohao Cai, Qi Zhang, Ruiming Tang, Xi Xiao, Xiuqiang He
• Abstract要約: 文脈変換器に基づくパーソナライズされた再ランクモデル(Dubbed PEAR)を提案する。 PEARは、既存のメソッドに対していくつかの大きな改善を行っている。 また、ランキングリスト全体のユーザの満足度を評価するために、リストレベルの分類タスクでPEARのトレーニングを強化する。
• 参考スコア（独自算出の注目度）: 48.17295872384401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of recommender systems is to provide ordered item lists to users that best match their interests. As a critical task in the recommendation pipeline, re-ranking has received increasing attention in recent years. In contrast to conventional ranking models that score each item individually, re-ranking aims to explicitly model the mutual influences among items to further refine the ordering of items given an initial ranking list. In this paper, we present a personalized re-ranking model (dubbed PEAR) based on contextualized transformer. PEAR makes several major improvements over the existing methods. Specifically, PEAR not only captures feature-level and item-level interactions, but also models item contexts from both the initial ranking list and the historical clicked item list. In addition to item-level ranking score prediction, we also augment the training of PEAR with a list-level classification task to assess users' satisfaction on the whole ranking list. Experimental results on both public and production datasets have shown the superior effectiveness of PEAR compared to the previous re-ranking models.
• Abstract（参考訳）: 推薦システムの目標は、自分の興味に最も合うユーザーに対して、注文されたアイテムリストを提供することである。 レコメンデーションパイプラインにおける重要なタスクとして、近年では再ランキングが注目を集めている。 各アイテムを個別に得点する従来のランキングモデルとは対照的に、再ランキングはアイテム間の相互影響を明示的にモデル化し、最初のランキングリストが与えられた項目の順序をさらに洗練することを目的としている。 本稿では、文脈変換器に基づくパーソナライズされた再ランクモデル(PEAR)を提案する。 PEARは既存のメソッドに対していくつかの大きな改善を行っている。 具体的には、PEARは機能レベルとアイテムレベルのインタラクションをキャプチャするだけでなく、初期ランキングリストと履歴クリックアイテムリストの両方からアイテムコンテキストをモデル化する。 項目レベルのランキングスコア予測に加えて、ランキングリスト全体のユーザの満足度を評価するために、リストレベルの分類タスクによるPEARのトレーニングも強化する。 パブリックデータセットとプロダクションデータセットの両方の実験結果は、以前の再ランクモデルと比較してPEARの優れた効果を示している。

関連論文リスト

• Beyond Positive History: Re-ranking with List-level Hybrid Feedback [49.52149227298746]
  リストレベルのハイブリッドフィードバック (dubed RELIFE) を用いた再ランク付けを提案する。 ユーザの好みや行動パターンを3つのモジュールでキャプチャする。 実験により、RELIFEはSOTAの再ランクベースラインを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-28T06:39:01Z)
• Optimizing E-commerce Search: Toward a Generalizable and Rank-Consistent Pre-Ranking Model [13.573766789458118]
  大規模なeコマースプラットフォームでは、ダウンストリームランキングモジュールのために、前もって製品の大部分をフィルタリングするために、プレグレードフェーズが不可欠である。 1) 製品がトップk内にあるかどうかを予測する複数のバイナリ分類タスクを導入し、共通のポイントワイドランキングモデルでの学習目標の追加を容易にする。2) 製品埋め込みのサブセットを事前トレーニングすることで、すべての製品に対するコントラスト学習による一般化性。
  論文  参考訳（メタデータ） (2024-05-09T07:55:52Z)
• Replace Scoring with Arrangement: A Contextual Set-to-Arrangement Framework for Learning-to-Rank [40.81502990315285]
  ラーニング・トゥ・ランク(Learning-to-rank)は、トップNレコメンデーションタスクの中核的なテクニックであり、理想的なランク付けはアイテムからアレンジへのマッピングである。 既存のソリューションのほとんどは確率的ランキング原理(PRP)のパラダイムに該当する。すなわち、まず候補セットで各項目をスコアし、次にソート操作を行い、トップランキングリストを生成する。 本稿では,個別のスコアリングやソートを必要とせずに,候補項目の順列を直接生成する新しいフレームワークであるSet-To-Arrangement Ranking (STARank)を提案する。
  論文  参考訳（メタデータ） (2023-08-05T12:22:26Z)
• RankFormer: Listwise Learning-to-Rank Using Listwide Labels [2.9005223064604078]
  本稿では,新しいリストワイド評価目標と従来型のリストワイド評価目標を共同で最適化できるアーキテクチャとしてRangeFormerを提案する。 Amazon Searchのデータでeコマースの実験を行い、RangeFormerがオフラインのすべてのベースラインより優れていることを見つけました。
  論文  参考訳（メタデータ） (2023-06-09T10:47:06Z)
• PIER: Permutation-Level Interest-Based End-to-End Re-ranking Framework in E-commerce [13.885695433738437]
  既存の再ランク付け手法は、初期ランキングリストを直接入力として取り、よく設計されたコンテキストワイズモデルによって最適な置換を生成する。 候補の順列を評価することは 現実的には 許容できない計算コストをもたらします 本稿では,これらの課題に対処するため,PIERという新しいエンドツーエンドのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-06T09:17:52Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• 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)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)
• 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。