論文の概要: Ensure Timeliness and Accuracy: A Novel Sliding Window Data Stream Paradigm for Live Streaming Recommendation

• arxiv url: http://arxiv.org/abs/2402.14399v1
• Date: Thu, 22 Feb 2024 09:32:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-23 15:41:15.409075
• Title: Ensure Timeliness and Accuracy: A Novel Sliding Window Data Stream Paradigm for Live Streaming Recommendation
• Title（参考訳）: タイムラインと正確性を保証する: ライブストリーミング推奨のためのスライディングウィンドウデータストリームパラダイム
• Authors: Fengqi Liang, Baigong Zheng, Liqin Zhao, Guorui Zhou, Qian Wang, Yanan Niu
• Abstract要約: ライブストリーミングレコメンデータシステムは、ユーザの興味をリアルタイムにストリーミングすることを推奨するように設計されている。 ライブストリーミングレコメンデータシステムのタイムラインを改善することが重要な問題である。 本稿では,ラベルのタイムラインと精度の問題に対処する新しいデータストリーム設計パラダイムであるSliverを提案する。
• 参考スコア（独自算出の注目度）: 11.269716612840751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Live streaming recommender system is specifically designed to recommend real-time live streaming of interest to users. Due to the dynamic changes of live content, improving the timeliness of the live streaming recommender system is a critical problem. Intuitively, the timeliness of the data determines the upper bound of the timeliness that models can learn. However, none of the previous works addresses the timeliness problem of the live streaming recommender system from the perspective of data stream design. Employing the conventional fixed window data stream paradigm introduces a trade-off dilemma between labeling accuracy and timeliness. In this paper, we propose a new data stream design paradigm, dubbed Sliver, that addresses the timeliness and accuracy problem of labels by reducing the window size and implementing a sliding window correspondingly. Meanwhile, we propose a time-sensitive re-reco strategy reducing the latency between request and impression to improve the timeliness of the recommendation service and features by periodically requesting the recommendation service. To demonstrate the effectiveness of our approach, we conduct offline experiments on a multi-task live streaming dataset with labeling timestamps collected from the Kuaishou live streaming platform. Experimental results demonstrate that Sliver outperforms two fixed-window data streams with varying window sizes across all targets in four typical multi-task recommendation models. Furthermore, we deployed Sliver on the Kuaishou live streaming platform. Results of the online A/B test show a significant improvement in click-through rate (CTR), and new follow number (NFN), further validating the effectiveness of Sliver.
• Abstract（参考訳）: live streaming recommender systemは、リアルタイムのライブストリーミングをユーザに推奨するように設計されている。 ライブコンテンツのダイナミックな変化のため、ライブストリーミングレコメンデーションシステムのタイムラインの改善は重要な問題である。 直感的には、データのタイムラインはモデルが学習できるタイムラインの上限を決定する。 しかし、データストリーム設計の観点から見たライブストリーミング・レコメンデータシステムのタイムライン問題には、これまでのどの作品も対処していない。 従来の固定ウィンドウデータストリームパラダイムを採用すると、ラベル付け精度とタイムラインのトレードオフジレンマが発生する。 本稿では,sliverと呼ばれる新しいデータストリーム設計パラダイムを提案する。ウィンドウサイズを削減し,スライディングウィンドウを実装することにより,ラベルのタイムラインや精度問題に対処する。 一方,レコメンデーションサービスを定期的に要求することで,レコメンデーションサービスと機能のタイムラインを改善するために,リクエストとインプレッションの間の遅延を削減する時間に敏感な再調整戦略を提案する。 提案手法の有効性を示すため,Kuaishouライブストリーミングプラットフォームから収集したタイムスタンプをラベル付けしたマルチタスクライブストリーミングデータセット上でオフライン実験を行った。 実験の結果、sliverは4つの典型的なマルチタスクレコメンデーションモデルにおいて、すべてのターゲットで異なるウィンドウサイズを持つ2つの固定ウィンドウデータストリームを上回ることがわかった。 さらに,kuaishouライブストリーミングプラットフォームにsliverをデプロイした。 オンラインA/Bテストの結果,クリックスルー率 (CTR) と新規フォロー数 (NFN) が有意に向上し,さらにSliverの有効性が検証された。

関連論文リスト

• AdaShadow: Responsive Test-time Model Adaptation in Non-stationary Mobile Environments [24.606016498430407]
  本稿では,非定常移動データ配信と資源動態のための応答性テスト時間適応フレームワークであるAdaShadowを提案する。 AdaShadowは、レイヤの重要度とレイテンシを推定する上での課題と、最適なレイヤ更新計画のスケジューリングに対処する。 その結果,AdaShadowは連続的なシフトの下で最高の精度-遅延バランスを達成することがわかった。
  論文  参考訳（メタデータ） (2024-10-10T16:41:39Z)
• Retrieval and Distill: A Temporal Data Shift-Free Paradigm for Online Recommendation System [31.594407236146186]
  現在のレコメンデーションシステムは、時間的データシフトの深刻な問題によって大きく影響を受ける。 既存のモデルのほとんどは、データのシフトから学ぶことのできる、転送可能な一時的なデータシフトのない情報を見渡すことで、更新データの利用に重点を置いている。 そこで本研究では,データシフトのない関連ネットワークを,シフトデータを用いてトレーニング可能な検索ベースレコメンデーションシステムフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-24T06:16:09Z)
• Temporal Sentence Grounding in Streaming Videos [60.67022943824329]
  本稿では,ストリーミングビデオにおける時間文グラウンディング(TSGSV)の新たな課題に取り組むことを目的とする。 TSGSVの目標は、ビデオストリームと所定の文クエリの関連性を評価することである。 本研究では,(1)モデルが今後のイベントを学習することを可能にするTwinNet構造,(2)冗長な視覚的フレームを除去する言語誘導型特徴圧縮器の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-14T12:30:58Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• Generalized Delayed Feedback Model with Post-Click Information in Recommender Systems [37.72697954740977]
  クリック後のユーザ行動も変換率予測に有益であり,タイムラインの改善に有効であることを示す。 本稿では、クリック後の動作と初期変換の両方をクリック後の情報として統合する一般化遅延フィードバックモデル(GDFM)を提案する。
  論文  参考訳（メタデータ） (2022-06-01T11:17:01Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• Video Annotation for Visual Tracking via Selection and Refinement [74.08109740917122]
  ビデオシーケンスのバウンディングボックスアノテーションを容易にするための新しいフレームワークを提案する。 目標位置の時間的コヒーレンスを捉えることのできる時間的アセスメントネットワークを提案する。 また、選択したトラッキング結果をさらに強化するために、ビジュアルジオメトリ・リファインメント・ネットワークが設計されている。
  論文  参考訳（メタデータ） (2021-08-09T05:56:47Z)
• Finding Action Tubes with a Sparse-to-Dense Framework [62.60742627484788]
  本稿では,ビデオストリームからのアクションチューブ提案を1つのフォワードパスでスパース・トゥ・デンス方式で生成するフレームワークを提案する。 UCF101-24, JHMDB-21, UCFSportsベンチマークデータセット上で, 本モデルの有効性を評価する。
  論文  参考訳（メタデータ） (2020-08-30T15:38:44Z)
• Towards Streaming Perception [70.68520310095155]
  本稿では、リアルタイムオンライン知覚のための単一のメトリクスにレイテンシと精度を協調的に統合するアプローチを提案する。 この指標の背後にある重要な洞察は、瞬間ごとに認識スタック全体の出力を共同で評価することである。 本稿では,都市ビデオストリームにおけるオブジェクト検出とインスタンスセグメンテーションの具体的タスクに注目し,高品質で時間依存的なアノテーションを備えた新しいデータセットを寄贈する。
  論文  参考訳（メタデータ） (2020-05-21T01:51:35Z)

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。