論文の概要: Mobile Supply: The Last Piece of Jigsaw of Recommender System
- arxiv url: http://arxiv.org/abs/2308.03855v2
- Date: Wed, 9 Aug 2023 02:36:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 10:39:53.644491
- Title: Mobile Supply: The Last Piece of Jigsaw of Recommender System
- Title（参考訳）: モバイルサプライ: Recommender システムの Jigsaw の最後のピース
- Authors: Zhenhao Jiang, Biao Zeng, Hao Feng, Jin Liu, Jie Zhang, Jia Jia, Ning
Hu
- Abstract要約: モービルサプライ->モービルランキングと呼ばれるレコメンデータシステムのパイプラインにおいて,完全に新しいモジュールを提案する。
我々はポイントワイズパラダイムを用いて、現在のページのモバイルランキングによって達成される収益をリストワイズで推定する。
また、新しいパイプラインに合わせたモバイルデバイスの違いを考慮して、デバイス対応モバイルランキングという新しいモバイルランキング手法を設計する。
- 参考スコア（独自算出の注目度）: 16.56034842580895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommendation system is a fundamental functionality of online platforms.
With the development of computing power of mobile phones, some researchers have
deployed recommendation algorithms on users' mobile devices to address the
problems of data transmission delay and pagination trigger mechanism. However,
the existing edge-side mobile rankings cannot completely solve the problem of
pagination trigger mechanism. The mobile ranking can only sort the items on the
current page, and the fixed set of candidate items limits the performance of
the mobile ranking. Besides, after the user has viewed the items of interest to
the user on the current page, the user refresh to get a new page of items. This
will affect the user's immersive experience because the user is not satisfied
with the left items on the current page. In order to address the problem of
pagination trigger mechanism, we propose a completely new module in the
pipeline of recommender system named Mobile Supply. The pipeline of recommender
system is extended to "retrival->pre-ranking->ranking->re-ranking->Mobile
Supply->mobile ranking". Specifically, we introduce the concept of list value
and use point-wise paradigm to approximate list-wise estimation to calculate
the maximum revenue that can be achieved by mobile ranking for the current
page. We also design a new mobile ranking approach named device-aware mobile
ranking considering the differences of mobile devices tailored to the new
pipeline. Extensive offline and online experiments show the superiority of our
proposed method and prove that Mobile Supply can further improve the
performance of edge-side recommender system and user experience. Mobile Supply
has been deployed on the homepage of a large-scale online food platform and has
yielded considerable profits in our business.
- Abstract（参考訳）: 推薦システムはオンラインプラットフォームの基本機能である。
携帯電話のコンピューティング能力の発達に伴い、データ転送遅延とページネーショントリガ機構の問題に対処するため、一部の研究者はユーザのモバイルデバイスに推奨アルゴリズムをデプロイした。
しかし、既存のエッジサイドモバイルランキングでは、ページネーショントリガ機構の問題は完全には解決できない。
モバイルランキングは現在のページ上の項目のみをソートすることができ、固定された候補項目のセットはモバイルランキングのパフォーマンスを制限する。
さらに、ユーザが現在のページで関心のあるアイテムを見た後、ユーザはリフレッシュして、新しいページのアイテムを取得します。
これは、ユーザが現在のページの左項目に満足していないため、ユーザの没入感に影響を与えます。
ページネーショントリガ機構の問題に対処するため,モバイル・サプライというレコメンデータ・システムのパイプラインにおいて,完全に新しいモジュールを提案する。
推薦システムのパイプラインは、"retrival->pre- rank->level->re- rank->Mobile supply->mobile ranking"に拡張されている。
具体的には、リスト値とポイントワイドパラダイムの概念を導入し、リストワイド推定を近似し、現在のページのモバイルランキングによって達成される最大収益を計算する。
また,デバイス対応モバイルランキングという新たなモバイルランキング手法を,新たなパイプラインに合わせたモバイルデバイスの違いを考慮して設計した。
大規模なオフラインおよびオンライン実験は提案手法の優位性を示し,モバイルサプライがエッジ側レコメンデータシステムとユーザエクスペリエンスをより向上させることができることを示す。
モバイルサプライは大規模なオンラインフードプラットフォームのホームページに展開されており、当社のビジネスでかなりの利益を上げています。
関連論文リスト
- Mobile-Agent: Autonomous Multi-Modal Mobile Device Agent with Visual Perception [52.5831204440714]
自律型マルチモーダルモバイルデバイスエージェントMobile-Agentを紹介する。
Mobile-Agentはまず視覚認識ツールを利用して、アプリのフロントエンドインターフェイス内の視覚的要素とテキスト的要素の両方を正確に識別し、特定する。
そして、複雑なオペレーションタスクを自律的に計画し、分解し、ステップバイステップでモバイルアプリをナビゲートする。
論文 参考訳（メタデータ） (2024-01-29T13:46:37Z) - Diversify and Conquer: Bandits and Diversity for an Enhanced E-commerce
Homepage Experience [0.0]
モバイルデバイスの画面サイズが制限されているため、インターフェースの上部に配置されたウィジェットはより目立つように表示される。
バッチフィードバックの遅延を伴うコンテキスト的マルチアームバンディット問題として,垂直ウィジェットの並べ替えをモデル化する。
本稿では、文脈的帯域幅と多様性層を組み合わせて総合ランキングを改善するための2段階ランキングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-25T11:22:19Z) - Deep Page-Level Interest Network in Reinforcement Learning for Ads
Allocation [14.9065245548275]
本稿では,ページレベルのユーザ嗜好をモデル化し,複数タイプのフィードバックを活用するために,Deep Page-level Interest Network (DPIN)を提案する。
具体的には、4種類のページレベルのフィードバックを入力として導入し、異なる受容領域下でのアイテム配置のユーザの好みをキャプチャする。
論文 参考訳（メタデータ） (2022-04-01T11:58:00Z) - PEAR: Personalized Re-ranking with Contextualized Transformer for
Recommendation [48.17295872384401]
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。
論文 参考訳（メタデータ） (2022-03-23T08:29:46Z) - Online Learning of Optimally Diverse Rankings [63.62764375279861]
ユーザのフィードバックのみに基づいて最適なリストを効率よく学習するアルゴリズムを提案する。
我々は、$T$クエリの後に、LDRの後悔は$O((N-L)log(T))$としてスケールする。
論文 参考訳（メタデータ） (2021-09-13T12:13:20Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-06-05T01:33:21Z) - Context-Aware Target Apps Selection and Recommendation for Enhancing
Personal Mobile Assistants [42.25496752260081]
本論文では,効果的なパーソナルモバイルアシスタントの開発に不可欠な2つの研究課題について述べる。
ここでは,モバイルデバイスで利用可能なリッチなコンテキスト情報を活用するために,コンテキスト認識モデルに注目する。
本稿では,ユーザの逐次的,時間的,個人的行動を考慮した文脈認識型ニューラルモデル群を提案する。
論文 参考訳（メタデータ） (2021-01-09T17:07:47Z) - A Real-Time Whole Page Personalization Framework for E-Commerce [13.254747746069139]
eコマースプラットフォームは、ホームページに複数のカルーセルを含んでいる。
カルーセル内のアイテムは、シーケンシャルユーザーアクションに基づいて動的に変更されます。
ウォルマートオンライン食料品のホームページで、アイテムカルーセルをリアルタイムで最適にランク付けするためのスケーラブルなエンドツーエンド生産システムを紹介します。
論文 参考訳（メタデータ） (2020-12-08T19:08:41Z) - Emerging App Issue Identification via Online Joint Sentiment-Topic
Tracing [66.57888248681303]
本稿では,MERITという新しい問題検出手法を提案する。
AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。
Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
論文 参考訳（メタデータ） (2020-08-23T06:34:05Z) - Contextual User Browsing Bandits for Large-Scale Online Mobile
Recommendation [24.810164687987243]
より高い位置は、1つの商品のクリック数を増やす。
まずは推奨アイテムがいくつか表示され、ユーザーは他のアイテムを閲覧するために画面をスライドする必要がある。
後付けの推奨項目はユーザには見られず、このような項目を否定的な例として扱うのは適切ではない。
論文 参考訳（メタデータ） (2020-08-21T08:22:30Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。