論文の概要: Cooperative Retriever and Ranker in Deep Recommenders

• arxiv url: http://arxiv.org/abs/2206.14649v2
• Date: Wed, 29 Mar 2023 10:01:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 19:01:37.465645
• Title: Cooperative Retriever and Ranker in Deep Recommenders
• Title（参考訳）: ディープリコメンデーションにおける協調レトリバーとランカ
• Authors: Xu Huang, Defu Lian, Jin Chen, Zheng Liu, Xing Xie, Enhong Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 75.35463122701135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep recommender systems (DRS) are intensively applied in modern web services. To deal with the massive web contents, DRS employs a two-stage workflow: retrieval and ranking, to generate its recommendation results. The retriever aims to select a small set of relevant candidates from the entire items with high efficiency; while the ranker, usually more precise but time-consuming, is supposed to further refine the best items from the retrieved candidates. Traditionally, the two components are trained either independently or within a simple cascading pipeline, which is prone to poor collaboration effect. Though some latest works suggested to train retriever and ranker jointly, there still exist many severe limitations: item distribution shift between training and inference, false negative, and misalignment of ranking order. As such, it remains to explore effective collaborations between retriever and ranker.
• Abstract（参考訳）: 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。 大量のwebコンテンツを扱うために、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って推薦結果を生成する。 検索者は、アイテム全体から関連する候補の小さなセットを高い効率で選択することを目的としており、ローダは、通常より正確だが時間を要するが、検索した候補から最高の候補をさらに洗練することを目的としている。 伝統的に、2つのコンポーネントは独立して、または単純なcascadingパイプライン内でトレーニングされる。 レトリバーとランチャーを共同で訓練することを示唆する最近の作品もあるが、トレーニングと推論の間のアイテムの分配シフト、偽陰性、ランキング順位の誤認など、多くの厳しい制限がある。 そのため、レトリバーとランチャーの効果的なコラボレーションを探求する。

関連論文リスト

• Towards Robust Ranker for Text Retrieval [83.15191578888188]
  ローダは、デファクトの'retrieval & rerank'パイプラインで必須の役割を果たす。 ローダは、デファクトの'retrieval & rerank'パイプラインで必須の役割を果たす。
  論文  参考訳（メタデータ） (2022-06-16T10:27:46Z)
• RocketQAv2: A Joint Training Method for Dense Passage Retrieval and Passage Re-ranking [89.82301733609279]
  本稿では,高密度経路検索と再ランク付けのための新しい共同学習手法を提案する。 主な貢献は、動的リストワイズ蒸留を導入し、レトリバーと再ランカの両方に統一されたリストワイズトレーニングアプローチを設計することである。 ダイナミック蒸留中は、レトリバーとリランカは、互いの関連情報に応じて適応的に改善することができる。
  論文  参考訳（メタデータ） (2021-10-14T13:52:55Z)
• Adversarial Retriever-Ranker for dense text retrieval [51.87158529880056]
  本稿では、二重エンコーダレトリバーとクロスエンコーダローダからなるAdversarial Retriever-Ranker(AR2)を提案する。 AR2は、既存の高密度レトリバー法より一貫して大幅に優れている。 これには、R@5から77.9%(+2.1%)、TriviaQA R@5から78.2%(+1.4)、MS-MARCO MRR@10から39.5%(+1.3%)の改善が含まれている。
  論文  参考訳（メタデータ） (2021-10-07T16:41:15Z)
• 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)
• 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)

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。