論文の概要: CAM2: Conformity-Aware Multi-Task Ranking Model for Large-Scale Recommender Systems

• arxiv url: http://arxiv.org/abs/2304.08562v1
• Date: Mon, 17 Apr 2023 19:00:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 16:40:56.331625
• Title: CAM2: Conformity-Aware Multi-Task Ranking Model for Large-Scale Recommender Systems
• Title（参考訳）: CAM2: 大規模レコメンダシステムのための整合性を考慮したマルチタスクランキングモデル
• Authors: Ameya Raul, Amey Porobo Dharwadker, Brad Schumitsch
• Abstract要約: 本稿では,業界最大のレコメンデーションプラットフォームであるCAM2を紹介する。 オンライン実験を通して、CAM2モデルがユーザエンゲージメントの累積を0.50%増加させることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning large-scale industrial recommender system models by fitting them to historical user interaction data makes them vulnerable to conformity bias. This may be due to a number of factors, including the fact that user interests may be difficult to determine and that many items are often interacted with based on ecosystem factors other than their relevance to the individual user. In this work, we introduce CAM2, a conformity-aware multi-task ranking model to serve relevant items to users on one of the largest industrial recommendation platforms. CAM2 addresses these challenges systematically by leveraging causal modeling to disentangle users' conformity to popular items from their true interests. This framework is generalizable and can be scaled to support multiple representations of conformity and user relevance in any large-scale recommender system. We provide deeper practical insights and demonstrate the effectiveness of the proposed model through improvements in offline evaluation metrics compared to our production multi-task ranking model. We also show through online experiments that the CAM2 model results in a significant 0.50% increase in aggregated user engagement, coupled with a 0.21% increase in daily active users on Facebook Watch, a popular video discovery and sharing platform serving billions of users.
• Abstract（参考訳）: 過去のユーザインタラクションデータに適合させることで、大規模な産業レコメンデーションシステムモデルを学ぶことは、適合バイアスに弱い。 これは、ユーザの関心が決定しづらいことや、個々のユーザとの関係性以外のエコシステム要因に基づいて多くのアイテムがやりとりされることなど、いくつかの要因による可能性がある。 本研究では,最大規模の産業向けレコメンデーションプラットフォームのユーザに対して,関連項目を提供するための適合性対応型マルチタスクランキングモデルであるcam2を紹介する。 CAM2は、因果モデリングを利用して、ユーザの人気アイテムへの適合性を真の関心から遠ざけることで、これらの課題に体系的に対処する。 このフレームワークは汎用的で、あらゆる大規模レコメンダシステムにおいて、適合性とユーザ関連性の複数の表現をサポートするようにスケールすることができる。 我々は,実運用中のマルチタスクランキングモデルと比較し,オフライン評価指標の改善を通じて,提案モデルの有効性を示す。 また、オンライン実験を通じて、CAM2モデルによってユーザーエンゲージメントが大幅に50%増加し、Facebook Watch上の日々のアクティブユーザー数が0.21%増加し、数十億人のユーザーを提供する人気のビデオ発見共有プラットフォームである。

関連論文リスト

• GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation [55.769720670731516]
  GaVaMoEは、説明可能なレコメンデーションのための新しいフレームワークである。 特定のユーザータイプや好みのカスタマイズされた説明を生成する。 疎いユーザ-イテムインタラクションのシナリオでは、堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-15T17:59:30Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• Scaling User Modeling: Large-scale Online User Representations for Ads Personalization in Meta [25.100342052990793]
  Scaling User Modeling (SUM)はMetaの広告ランキングシステムに広くデプロイされているフレームワークである。 これまでSUMはMetaの数百の広告ランキングモデルでローンチされ、毎日数十億のユーザーリクエストを処理する。
  論文  参考訳（メタデータ） (2023-11-16T03:47:48Z)
• 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)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Everyone's Preference Changes Differently: Weighted Multi-Interest Retrieval Model [18.109035867113217]
  MIPモデル(Multi-Interest Preference)は、ユーザのシーケンシャルエンゲージメントをより効果的に利用することで、ユーザにとってマルチエンゲージメントを生み出すアプローチである。 本手法の有効性を実証するため,様々な産業規模のデータセットを用いて大規模な実験を行った。
  論文  参考訳（メタデータ） (2022-07-14T04:29:54Z)
• Mixture of Virtual-Kernel Experts for Multi-Objective User Profile Modeling [9.639497198579257]
  ディープラーニングは、歴史的行動からユーザの好みを記述するために、表現力のあるタグをマイニングするために広く使用されている。 従来のソリューションは通常、異なるアクションからタグをマイニングするために複数の独立したTwo-Towerモデルを導入します。 本稿では,Mixture of Virtual- Kernel Experts (MVKE) と呼ばれる新しいマルチタスクモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-04T07:52:52Z)
• Modeling High-order Interactions across Multi-interests for Micro-video Reommendation [65.16624625748068]
  利用者の興味表現を高めるためのセルフオーバーCoアテンションモジュールを提案します。 特に、まず相関パターンを異なるレベルでモデル化し、次に自己注意を使って特定のレベルで相関パターンをモデル化します。
  論文  参考訳（メタデータ） (2021-04-01T07:20:15Z)
• Learning User Representations with Hypercuboids for Recommender Systems [26.80987554753327]
  我々のモデルは、空間内の一点ではなく、超立方体としてユーザーの興味を明示的にモデル化する。 ユーザの興味の多様性を捉える能力を高めるために,2種類のハイパークボイドを提案する。 また、ユーザのアクティビティシーケンス(例えば、購入とレート)をキャプチャすることで、ユーザの超立方体学習を促進するために、ニューラルアーキテクチャも提案されている。
  論文  参考訳（メタデータ） (2020-11-11T12:50:00Z)
• MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection [110.87712780017819]
  推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
  論文  参考訳（メタデータ） (2020-01-22T16:05:01Z)

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。