論文の概要: TransAct: Transformer-based Realtime User Action Model for Recommendation at Pinterest

• arxiv url: http://arxiv.org/abs/2306.00248v1
• Date: Wed, 31 May 2023 23:45:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 19:02:22.918949
• Title: TransAct: Transformer-based Realtime User Action Model for Recommendation at Pinterest
• Title（参考訳）: transact:pinterestのレコメンデーションのためのトランスフォーマーベースのリアルタイムユーザアクションモデル
• Authors: Xue Xia, Pong Eksombatchai, Nikil Pancha, Dhruvil Deven Badani, Po-Wei Wang, Neng Gu, Saurabh Vishwas Joshi, Nazanin Farahpour, Zhiyuan Zhang, Andrew Zhai
• Abstract要約: 本稿では、PinterestのHomefeedランキングアーキテクチャについて述べる。 本研究では,リアルタイム活動からユーザの短期的嗜好を抽出するシーケンシャルモデルであるTransActを提案する。 本稿では, アブレーション研究の結果, 生産時の課題, オンラインA/B実験の結果について述べる。
• 参考スコア（独自算出の注目度）: 17.247452803197362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential models that encode user activity for next action prediction have become a popular design choice for building web-scale personalized recommendation systems. Traditional methods of sequential recommendation either utilize end-to-end learning on realtime user actions, or learn user representations separately in an offline batch-generated manner. This paper (1) presents Pinterest's ranking architecture for Homefeed, our personalized recommendation product and the largest engagement surface; (2) proposes TransAct, a sequential model that extracts users' short-term preferences from their realtime activities; (3) describes our hybrid approach to ranking, which combines end-to-end sequential modeling via TransAct with batch-generated user embeddings. The hybrid approach allows us to combine the advantages of responsiveness from learning directly on realtime user activity with the cost-effectiveness of batch user representations learned over a longer time period. We describe the results of ablation studies, the challenges we faced during productionization, and the outcome of an online A/B experiment, which validates the effectiveness of our hybrid ranking model. We further demonstrate the effectiveness of TransAct on other surfaces such as contextual recommendations and search. Our model has been deployed to production in Homefeed, Related Pins, Notifications, and Search at Pinterest.
• Abstract（参考訳）: 次のアクション予測のためにユーザアクティビティをエンコードするシーケンシャルモデルが、webスケールのパーソナライズドレコメンデーションシステムを構築する上で、一般的な設計選択となっている。 従来の逐次レコメンデーションの方法は、リアルタイムユーザアクションでエンドツーエンドの学習を利用するか、オフラインのバッチ生成方法でユーザ表現を別々に学習する。 本稿では,pinterestのhomefeedランキング・アーキテクチャ,パーソナライズド・レコメンデーション・プロダクト,最大のエンゲージメント面について述べる。 (2)ユーザの短期的好みをリアルタイムアクティビティから抽出するシーケンシャル・モデルであるtransactを提案し,(3)transactによるエンドツーエンド・シーケンシャル・モデリングとバッチ生成ユーザ埋め込みを組み合わせたランキング・アプローチを提案する。 ハイブリッドアプローチにより、リアルタイムユーザアクティビティを直接学習することによる応答性の利点と、長期間にわたって学習したバッチユーザ表現のコスト効率を組み合わせられます。 本研究は, アブレーション研究の結果, 生産過程における課題, およびハイブリッドランキングモデルの有効性を検証するオンラインA/B実験の結果について述べる。 コンテクストレコメンデーションや検索などの他の面に対するTransActの有効性をさらに示す。 私たちのモデルは、PinterestのHomefeed、関連ピン、通知、検索で運用にデプロイされています。

関連論文リスト

• 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)
• Rethinking Personalized Ranking at Pinterest: An End-to-End Approach [7.295811134874487]
  ユーザアクションからエンド・ツー・エンドの学習を通じて、パーソナライズされたレコメンデーションエンジンに革命をもたらすための道程を提示する。 提案されたシステムはPinterestで本番環境にデプロイされており、オーガニックおよび広告アプリケーション間で大きなオンラインゲインを提供している。
  論文  参考訳（メタデータ） (2022-09-18T01:06:00Z)
• PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
  我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。 従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。 その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
  論文  参考訳（メタデータ） (2022-05-09T18:26:51Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations [12.626079984394766]
  動的ユーザ・イテム不均質グラフに基づく新しいシーケンシャル・レコメンデーション・フレームワークを提案する。 条件付き乱数場を利用して不均一なグラフとユーザ動作を集約し,確率推定を行う。 提案したフレームワークのスケーラブルで柔軟な実装を提供しています。
  論文  参考訳（メタデータ） (2021-11-14T15:54:23Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
  そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。 さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。 実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T13:56:46Z)
• From Implicit to Explicit feedback: A deep neural network for modeling sequential behaviours and long-short term preferences of online users [3.464871689508835]
  暗黙的かつ明示的なフィードバックは、有用な推奨のために異なる役割を持つ。 ユーザの嗜好は,長期的利益と短期的利益の組み合わせである,という仮説から導かれる。
  論文  参考訳（メタデータ） (2021-07-26T16:59:20Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
  テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。 具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
  論文  参考訳（メタデータ） (2020-10-22T03:12:02Z)

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。