論文の概要: Adaptive Utilization of Cross-scenario Information for Multi-scenario Recommendation

• arxiv url: http://arxiv.org/abs/2407.19727v1
• Date: Mon, 29 Jul 2024 06:17:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 18:49:57.882763
• Title: Adaptive Utilization of Cross-scenario Information for Multi-scenario Recommendation
• Title（参考訳）: クロスシナリオ情報の多シナリオレコメンデーションへの適応的利用
• Authors: Xiufeng Shu, Ruidong Han, Xiang Li, Wei Lin,
• Abstract要約: マルチシナリオ勧告(Multi-scenario Recommendation、MSR)は、さまざまなシナリオからの情報を活用することで、ランキングパフォーマンスを向上させる重要なトピックである。 MSRの最近の手法は主に、共通性とシナリオ間の差異をモデル化するために共有または特定のモジュールを構築する。 我々は,シナリオに支配された専門家の混在により,すべてのシナリオに対処するために,CSII(Cross-Scenario Information Interaction)という統合モデルを提案する。
• 参考スコア（独自算出の注目度）: 11.489766641148151
• License:
• Abstract: Recommender system of the e-commerce platform usually serves multiple business scenarios. Multi-scenario Recommendation (MSR) is an important topic that improves ranking performance by leveraging information from different scenarios. Recent methods for MSR mostly construct scenario shared or specific modules to model commonalities and differences among scenarios. However, when the amount of data among scenarios is skewed or data in some scenarios is extremely sparse, it is difficult to learn scenario-specific parameters well. Besides, simple sharing of information from other scenarios may result in a negative transfer. In this paper, we propose a unified model named Cross-Scenario Information Interaction (CSII) to serve all scenarios by a mixture of scenario-dominated experts. Specifically, we propose a novel method to select highly transferable features in data instances. Then, we propose an attention-based aggregator module, which can adaptively extract relative knowledge from cross-scenario. Experiments on the production dataset verify the superiority of our method. Online A/B test in Meituan Waimai APP also shows a significant performance gain, leading to an average improvement in GMV (Gross Merchandise Value) of 1.0% for overall scenarios.
• Abstract（参考訳）: eコマースプラットフォームのレコメンダシステムは、通常、複数のビジネスシナリオを提供する。 マルチシナリオ勧告(Multi-scenario Recommendation、MSR)は、さまざまなシナリオからの情報を活用することで、ランキングパフォーマンスを向上させる重要なトピックである。 MSRの最近の手法は主に、共通性とシナリオ間の差異をモデル化するために共有または特定のモジュールを構築する。 しかし,シナリオ間のデータ量やシナリオ内のデータ量が極めて少ない場合,シナリオ固有のパラメータを十分に学習することは困難である。 さらに、他のシナリオからの情報の単純な共有は、負の転送をもたらす可能性がある。 本稿では,シナリオが支配する専門家の混在により,すべてのシナリオに対応するために,CSII(Cross-Scenario Information Interaction)という統合モデルを提案する。 具体的には、データインスタンス内で高度に転送可能な特徴を選択する新しい方法を提案する。 そこで我々は,クロスセサリオから相対的知識を適応的に抽出するアグリゲータモジュールを提案する。 生産データセットの実験は,本手法の優越性を検証した。 Meituan Waimai APP のオンライン A/B テストも大幅なパフォーマンス向上を示しており、全体のシナリオでは GMV (Gross Merchandise Value) が1.0% 改善されている。

関連論文リスト

• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
  既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。 本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
  論文  参考訳（メタデータ） (2024-06-28T17:42:08Z)
• 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)
• 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)
• MQAG: Multiple-choice Question Answering and Generation for Assessing Information Consistency in Summarization [55.60306377044225]
  最先端の要約システムは高度に流動的な要約を生成することができる。 しかし、これらの要約には、情報源に存在しない事実上の矛盾や情報が含まれている可能性がある。 本稿では,ソース情報と要約情報を直接比較する,標準的な情報理論に基づく代替手法を提案する。
  論文  参考訳（メタデータ） (2023-01-28T23:08:25Z)
• 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)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• SAR-Net: A Scenario-Aware Ranking Network for PersonalizedFair Recommendation in Hundreds of Travel Scenarios [11.603889783538309]
  本稿では,これらの問題に対処する新しいシナリオ・アウェア・ランキング・ネットワーク(SAR-Net)を提案する。 8000万人以上のユーザと155万の旅行アイテムをカバーするオフラインデータセットの実験と、オンラインA/Bテストにより、SAR-Netの有効性が実証された。
  論文  参考訳（メタデータ） (2021-10-13T03:49:45Z)
• 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)
• Real-World Scenario Mining for the Assessment of Automated Vehicles [12.962830182937035]
  2段階のアプローチで実世界のデータからシナリオをキャプチャする手法を提案する。 この手法は特定のシナリオには当てはまらないため、様々なシナリオに適用することができる。
  論文  参考訳（メタデータ） (2020-05-31T10:10:39Z)

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。