論文の概要: Graph Exploration Matters: Improving both individual-level and system-level diversity in WeChat Feed Recommender

• arxiv url: http://arxiv.org/abs/2306.00009v1
• Date: Mon, 29 May 2023 19:25:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 20:45:26.050909
• Title: Graph Exploration Matters: Improving both individual-level and system-level diversity in WeChat Feed Recommender
• Title（参考訳）: グラフ探索問題:wechatフィードレコメンデーションにおける個人レベルおよびシステムレベルの多様性の改善
• Authors: Shuai Yang, Lixin Zhang, Feng Xia, Leyu Lin
• Abstract要約: 個人レベルの多様性とシステムレベルの多様性はどちらも産業レコメンデーターシステムにとって重要である。 WeChat AppのTop Storiesで、数億人のユーザが使用するシステムの実装とデプロイを行います。
• 参考スコア（独自算出の注目度）: 21.0013026365164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There are roughly three stages in real industrial recommendation systems, candidates generation (retrieval), ranking and reranking. Individual-level diversity and system-level diversity are both important for industrial recommender systems. The former focus on each single user's experience, while the latter focus on the difference among users. Graph-based retrieval strategies are inevitably hijacked by heavy users and popular items, leading to the convergence of candidates for users and the lack of system-level diversity. Meanwhile, in the reranking phase, Determinantal Point Process (DPP) is deployed to increase individual-level diverisity. Heavily relying on the semantic information of items, DPP suffers from clickbait and inaccurate attributes. Besides, most studies only focus on one of the two levels of diversity, and ignore the mutual influence among different stages in real recommender systems. We argue that individual-level diversity and system-level diversity should be viewed as an integrated problem, and we provide an efficient and deployable solution for web-scale recommenders. Generally, we propose to employ the retrieval graph information in diversity-based reranking, by which to weaken the hidden similarity of items exposed to users, and consequently gain more graph explorations to improve the system-level diveristy. Besides, we argue that users' propensity for diversity changes over time in content feed recommendation. Therefore, with the explored graph, we also propose to capture the user's real-time personalized propensity to the diversity. We implement and deploy the combined system in WeChat App's Top Stories used by hundreds of millions of users. Offline simulations and online A/B tests show our solution can effectively improve both user engagement and system revenue.
• Abstract（参考訳）: 実際の産業レコメンデーションシステムには、候補生成(検索)、ランク付け、再ランク付けの3つの段階がある。 個人レベルの多様性とシステムレベルの多様性はどちらも産業レコメンデーターシステムにとって重要である。 前者は個々のユーザエクスペリエンスに重点を置いており、後者はユーザ間の差異に重点を置いている。 グラフベースの検索戦略は、必然的にヘビーユーザーと人気アイテムによってハイジャックされ、ユーザの候補の収束とシステムレベルの多様性の欠如に繋がる。 一方、再ランキングフェーズでは、個人レベルの多様性を高めるために決定的ポイントプロセス(dpp)が展開される。 dppはアイテムの意味情報に大きく依存しており、クリックベイトや不正確な属性に苦しむ。 さらに、ほとんどの研究は2つのレベルの多様性にのみ焦点を合わせ、実際のレコメンデーションシステムにおける異なるステージ間の相互影響を無視している。 個人レベルの多様性とシステムレベルの多様性は統合的な問題と見なされるべきであり、webスケールのレコメンデーションに効率的でデプロイ可能なソリューションを提供する。 一般に,ユーザに対して露出した項目の隠れた類似性を弱め,その結果,より多くのグラフ探索を行い,システムレベルの多様性を向上させることを提案する。 さらに,コンテンツフィードの推薦において,ユーザの多様性に対する妥当性が時間とともに変化していくことを論じる。 そこで,探索グラフを用いて,ユーザの多様性に対するリアルタイムパーソナライズ傾向を捉えることを提案する。 WeChat AppのTop Storiesで、数億人のユーザが使用するシステムの実装とデプロイを行っています。 オフラインシミュレーションとオンラインa/bテストは、このソリューションがユーザのエンゲージメントとシステム収益の両方を効果的に改善できることを示しています。

関連論文リスト

• 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)
• Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
  本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。 我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。 我々の戦略は、最先端のライバル数社を上回っている。
  論文  参考訳（メタデータ） (2024-08-07T13:48:24Z)
• User-Creator Feature Polarization in Recommender Systems with Dual Influence [19.506536850645343]
  推薦システムは、関連コンテンツをユーザに提示し、コンテンツクリエーターがターゲットのオーディエンスに到達するのを助けるという2つの目的を提供します。 我々は,レコメンデータシステムの二重影響を捉えるために,ユーザ・クリエータ機能ダイナミクスと呼ばれるモデルを定義した。 我々は,理論上も実証上も,レコメンダシステムにおける偏光緩和と多様性向上のためのアプローチについて検討する。
  論文  参考訳（メタデータ） (2024-07-19T07:58:26Z)
• Representation Online Matters: Practical End-to-End Diversification in Search and Recommender Systems [8.296711988456762]
  本稿では,検索結果とレコメンデーションの表現を改善するために,エンドツーエンドの多様化を導入する。 Pinterestプラットフォーム上でスケーラブルな多様化メカニズムを開発し、実験し、展開します。 当社のアプローチは,ユーティリティメトリクスに対する肯定的な影響とユーザ満足度の向上を伴って,多様性指標を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-05-24T19:43:26Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• PIE: Personalized Interest Exploration for Large-Scale Recommender Systems [0.0]
  これらの課題に対処するために,大規模レコメンデータシステムにおける探索のためのフレームワークを提案する。 我々の方法論は、最小限の修正で既存の大規模レコメンデータシステムに容易に統合できる。 私たちの仕事は、何十億ものユーザーを対象とする人気のビデオ発見および共有プラットフォームであるFacebook Watchで運用されている。
  論文  参考訳（メタデータ） (2023-04-13T22:25:09Z)
• Stable Bias: Analyzing Societal Representations in Diffusion Models [72.27121528451528]
  本稿では,テキスト・ツー・イメージ(TTI)システムにおける社会的バイアスを探索する新しい手法を提案する。 我々のアプローチは、プロンプト内の性別や民族のマーカーを列挙して生成された画像の変動を特徴づけることに依存している。 我々はこの手法を利用して3つのTTIシステムによって生成された画像を分析し、そのアウトプットが米国の労働人口層と相関しているのに対して、彼らは常に異なる範囲において、限界化されたアイデンティティを低く表現している。
  論文  参考訳（メタデータ） (2023-03-20T19:32:49Z)
• kNN-Embed: Locally Smoothed Embedding Mixtures For Multi-interest Candidate Retrieval [7.681386867564213]
  kNN-Embedは、各ユーザを、学習したアイテムクラスタ上のスムーズな混合として表現し、ユーザの“関心”を表現している。 我々は、kNN-Embedを標準のANN候補検索と比較し、全体的なリコールの改善と3つのデータセット間の多様性の向上を示す。
  論文  参考訳（メタデータ） (2022-05-12T16:42:24Z)
• Simultaneous Relevance and Diversity: A New Recommendation Inference Approach [81.44167398308979]
  本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。 我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。 公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
  論文  参考訳（メタデータ） (2020-09-27T22:20:12Z)
• 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 Learning for Person Re-identification: A Survey and Outlook [233.36948173686602]
  人物再識別(Re-ID)は、複数の重複しないカメラを通して興味ある人物を検索することを目的としている。 人物のRe-IDシステム開発に関わるコンポーネントを分離することにより、それをクローズドワールドとオープンワールドのセッティングに分類する。
  論文  参考訳（メタデータ） (2020-01-13T12:49:22Z)

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。