論文の概要: A Unified Search and Recommendation Framework Based on Multi-Scenario Learning for Ranking in E-commerce

• arxiv url: http://arxiv.org/abs/2405.10835v2
• Date: Wed, 12 Jun 2024 02:38:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 00:30:34.971096
• Title: A Unified Search and Recommendation Framework Based on Multi-Scenario Learning for Ranking in E-commerce
• Title（参考訳）: 電子商取引におけるランク付けのためのマルチシナリオ学習に基づく統一検索・推薦フレームワーク
• Authors: Jinhan Liu, Qiyu Chen, Junjie Xu, Junjie Li, Baoli Li, Sulong Xu,
• Abstract要約: 統一検索・レコメンデーション(USR)のための効果的で普遍的なフレームワークを提案する。 USRは様々なマルチシナリオモデルに適用でき、性能を大幅に改善することができる。 USRは7Fresh Appでうまくデプロイされている。
• 参考スコア（独自算出の注目度）: 13.991015845541257
• License:
• Abstract: Search and recommendation (S&R) are the two most important scenarios in e-commerce. The majority of users typically interact with products in S&R scenarios, indicating the need and potential for joint modeling. Traditional multi-scenario models use shared parameters to learn the similarity of multiple tasks, and task-specific parameters to learn the divergence of individual tasks. This coarse-grained modeling approach does not effectively capture the differences between S&R scenarios. Furthermore, this approach does not sufficiently exploit the information across the global label space. These issues can result in the suboptimal performance of multi-scenario models in handling both S&R scenarios. To address these issues, we propose an effective and universal framework for Unified Search and Recommendation (USR), designed with S&R Views User Interest Extractor Layer (IE) and S&R Views Feature Generator Layer (FG) to separately generate user interests and scenario-agnostic feature representations for S&R. Next, we introduce a Global Label Space Multi-Task Layer (GLMT) that uses global labels as supervised signals of auxiliary tasks and jointly models the main task and auxiliary tasks using conditional probability. Extensive experimental evaluations on real-world industrial datasets show that USR can be applied to various multi-scenario models and significantly improve their performance. Online A/B testing also indicates substantial performance gains across multiple metrics. Currently, USR has been successfully deployed in the 7Fresh App.
• Abstract（参考訳）: 検索とレコメンデーション(S&R)は、eコマースにおいて最も重要な2つのシナリオである。 大部分のユーザはS&Rシナリオで製品と対話し、共同モデリングの必要性と可能性を示している。 従来のマルチシナリオモデルは、複数のタスクの類似性を学ぶために共有パラメータを使用し、個々のタスクのばらつきを学ぶためにタスク固有のパラメータを使用する。 この粗いモデリングアプローチは、S&Rシナリオの違いを効果的に捉えない。 さらに,この手法はグローバルなラベル空間の情報を十分に活用するものではない。 これらの問題は、S&Rシナリオの両方を扱う際に、マルチシナリオモデルの最適以下のパフォーマンスをもたらす可能性がある。 これらの課題に対処するため,S&R Views User Interest Extractor Layer (IE) とS&R Views Feature Generator Layer (FG) を用いて設計した,S&Rのユーザ興味とシナリオに依存しない特徴表現を分離して生成する,統一検索・勧告(USR)のための効果的で普遍的なフレームワークを提案する。 次に,Global Label Space Multi-Task Layer (GLMT)を導入し,グローバルラベルを補助タスクの教師付き信号とし,条件付き確率を用いて主タスクと補助タスクを共同でモデル化する。 実世界の産業データセットに対する大規模な実験的評価は、USRが様々なマルチシナリオモデルに適用でき、その性能を大幅に改善できることを示している。 オンラインA/Bテストでは、複数のメトリクス間での大幅なパフォーマンス向上も示している。 現在、USRは7Fresh Appにデプロイされている。

関連論文リスト

• Multi-Head RAG: Solving Multi-Aspect Problems with LLMs [13.638439488923671]
  検索拡張生成(RAG)は大規模言語モデル(LLM)の能力を向上させる 既存のRAGソリューションは、実質的に異なる内容の複数のドキュメントを取得する必要がある可能性のあるクエリに焦点を当てていない。 本稿では,このギャップをシンプルかつ強力なアイデアで解決する新しい手法として,MRAG(Multi-Head RAG)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T16:59:38Z)
• DSFNet: Learning Disentangled Scenario Factorization for Multi-Scenario Route Ranking [19.448901545665212]
  マルチシナリオルートランキング(MSRR)は多くの産業地図システムにおいて重要である。 本稿では,シナリオ依存パラメータを柔軟に構成するDSFNet(Disentangled Scenario Factorization Network)を提案する。 また,大規模なアノテート産業用多シナリオ運転経路データセットであるMSDRを提案する。
  論文  参考訳（メタデータ） (2024-03-30T04:39:18Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
  要約品質評価は、テキスト要約における非自明なタスクである。 統一多シナリオ要約評価モデル(UMSE)を提案する。 UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
  論文  参考訳（メタデータ） (2023-05-26T12:54:44Z)
• HiNet: Novel Multi-Scenario & Multi-Task Learning with Hierarchical Information Extraction [50.40732146978222]
  マルチシナリオとマルチタスク学習は、産業アプリケーションにおける多くのレコメンデーションシステムに広く応用されている。 階層型情報抽出ネットワーク(HiNet)を提案する。 HiNetは、新しい最先端のパフォーマンスを実現し、既存のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-10T17:24:41Z)
• Scenario-Adaptive and Self-Supervised Model for Multi-Scenario Personalized Recommendation [35.4495536683099]
  シナリオ適応型自己監督型(SASS)モデルを提案し,上記の3つの課題を解決する。 このモデルは、ユーザ側とアイテム側の両方で対称に生成され、異なるシナリオにおけるアイテムの表現を区別することができる。 このモデルは、オンラインA/Bテストにおける平均視聴時間に対して8.0%以上の改善も達成している。
  論文  参考訳（メタデータ） (2022-08-24T11:44:00Z)
• Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
  我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。 マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。 タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
  論文  参考訳（メタデータ） (2021-04-28T16:45:56Z)
• Scenario-aware and Mutual-based approach for Multi-scenario Recommendation in E-Commerce [12.794276204716642]
  不均質な電子商取引のシナリオでユーザーのための正確な推奨を行う方法は、まだ継続的な研究トピックです。 本稿では,複数のシナリオの違いと類似性を活用するScenario-aware Mutual Learning (SAML) という新しい推奨モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-16T13:52:14Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)
• Low Resource Multi-Task Sequence Tagging -- Revisiting Dynamic Conditional Random Fields [67.51177964010967]
  異なるタスクに対するラベルシーケンス間の依存関係を利用する低リソースマルチタスクシーケンスタグの異なるモデルを比較した。 タスク予測間の相互依存性の明示的モデリングは、通常のマルチタスクモデルと同様にシングルタスクよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-01T07:11:34Z)

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。