論文の概要: MRSE: An Efficient Multi-modality Retrieval System for Large Scale E-commerce
- arxiv url: http://arxiv.org/abs/2408.14968v1
- Date: Tue, 27 Aug 2024 11:21:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-28 14:03:31.960912
- Title: MRSE: An Efficient Multi-modality Retrieval System for Large Scale E-commerce
- Title(参考訳): MRSE:大規模Eコマースのための効率的なマルチモーダリティ検索システム
- Authors: Hao Jiang, Haoxiang Zhang, Qingshan Hou, Chaofeng Chen, Weisi Lin, Jingchang Zhang, Annan Wang,
- Abstract要約: 現在の埋め込みベースのRetrieval Systemsは、クエリとアイテムを共有の低次元空間に埋め込む。
本稿では,テキスト,項目画像,ユーザ嗜好を統合したマルチモーダル検索システムMRSEを提案する。
MRSEはオフラインの妥当性が18.9%向上し、オンラインのコアメトリクスが3.7%向上した。
- 参考スコア(独自算出の注目度): 42.3177388371158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Providing high-quality item recall for text queries is crucial in large-scale e-commerce search systems. Current Embedding-based Retrieval Systems (ERS) embed queries and items into a shared low-dimensional space, but uni-modality ERS rely too heavily on textual features, making them unreliable in complex contexts. While multi-modality ERS incorporate various data sources, they often overlook individual preferences for different modalities, leading to suboptimal results. To address these issues, we propose MRSE, a Multi-modality Retrieval System that integrates text, item images, and user preferences through lightweight mixture-of-expert (LMoE) modules to better align features across and within modalities. MRSE also builds user profiles at a multi-modality level and introduces a novel hybrid loss function that enhances consistency and robustness using hard negative sampling. Experiments on a large-scale dataset from Shopee and online A/B testing show that MRSE achieves an 18.9% improvement in offline relevance and a 3.7% gain in online core metrics compared to Shopee's state-of-the-art uni-modality system.
- Abstract(参考訳): テキストクエリーの高品質な項目リコールを提供することは、大規模なeコマース検索システムにおいて重要である。
現在の埋め込みベースのRetrieval Systems (ERS)は、クエリとアイテムを共有低次元空間に埋め込むが、ユニモーダルERSはテキスト機能に大きく依存しており、複雑なコンテキストでは信頼性が低い。
マルチモダリティERSには様々なデータソースが組み込まれているが、異なるモダリティに対する個々の好みを見落とし、最適以下の結果をもたらすことがしばしばある。
これらの課題に対処するために,テキスト,項目画像,ユーザの嗜好を軽量なミックス・オブ・エクササイズ(LMoE)モジュールを通じて統合し,モダリティ内およびモダリティ内における機能の整合性を向上するマルチモダリティ検索システムMRSEを提案する。
MRSEはまた、マルチモダリティレベルでユーザプロファイルを構築し、ハードネガティブサンプリングを使用して一貫性と堅牢性を向上する、新しいハイブリッド損失関数を導入している。
ShopeeとオンラインA/Bテストによる大規模なデータセットの実験は、MRSEがオフライン関連性18.9%の改善とオンラインコアメトリクスの3.7%向上を達成したことを示している。
関連論文リスト
- A Thorough Performance Benchmarking on Lightweight Embedding-based Recommender Systems [67.52782366565658]
State-of-the-art recommender system (RS) は、埋め込みベクトルによって符号化される分類的特徴に依存し、結果として非常に大きな埋め込みテーブルとなる。
軽量埋め込み型RSの繁栄にもかかわらず、評価プロトコルには幅広い多様性が見られる。
本研究では, LERSの性能, 効率, クロスタスク転送性について, 徹底的なベンチマークによる検討を行った。
論文 参考訳(メタデータ) (2024-06-25T07:45:00Z) - Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。
本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。
オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
論文 参考訳(メタデータ) (2024-03-21T13:52:30Z) - MM-GEF: Multi-modal representation meet collaborative filtering [43.88159639990081]
本稿では,グラフアーリーフュージョンを用いたマルチモーダルレコメンデーション MM-GEF を提案する。
MM-GEFはマルチモーダル信号と協調信号の両方から得られる構造情報を注入することにより、洗練された項目表現を学習する。
論文 参考訳(メタデータ) (2023-08-14T15:47:36Z) - Unified Embedding: Battle-Tested Feature Representations for Web-Scale
ML Systems [29.53535556926066]
高品質な機能埋め込みを効率よく効果的に学習することは、Webスケールの機械学習システムの性能にとって重要である。
この作業では、シンプルだが効果的に機能するフレームワークであるFeature Multiplexingを導入し、1つの表現空間を多くの異なる分類的特徴にまたがって使用する。
機能構成の簡略化,動的データ分散への適応性の向上,最新のハードウェアとの互換性の3つの大きなメリットを生かした,Unified Embeddingと呼ばれる高度に実践的なアプローチを提案する。
論文 参考訳(メタデータ) (2023-05-20T05:35:40Z) - Multimodal Recommender Systems: A Survey [6.022519399411655]
マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。
本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。
本稿では,既存のMSSモデルについて,特徴相互作用,特徴強調,モデル最適化という3つのカテゴリで紹介する。
論文 参考訳(メタデータ) (2023-02-08T05:12:54Z) - Multi-Objective Personalized Product Retrieval in Taobao Search [27.994166796745496]
関連性, 露出性, クリック性, 購入性の4つの階層的最適化目標を持つ, 新規な多目的パーソナライズされた製品検索モデルを提案する。
MOPPRは28日間のオンラインA/Bテストで0.96%のトランザクションと1.29%のGMV改善を達成した。
2021年のDouble-11ショッピングフェスティバル以来、MOPPRは従来のMGDSPRに代わるモバイルタオバオ検索に完全に配備されている。
論文 参考訳(メタデータ) (2022-10-09T05:18:42Z) - A Scalable Recommendation Engine for New Users and Items [0.0]
属性(A)レコメンデーションシステム(CFB-A)による協調フィルタリング(CF)マルチアームバンド(B)
本稿では,A(A)レコメンデーションシステム(CFB-A)を用いた協調フィルタリング(CF)マルチアームバンド(B)を提案する。
MovieLensデータに対するオフラインテスト、合成データシミュレーション、オンライン食料品実験などの実証的な応用は、CFB-Aが累積平均報酬を大幅に改善することを示している。
論文 参考訳(メタデータ) (2022-09-06T14:59:00Z) - ItemSage: Learning Product Embeddings for Shopping Recommendations at
Pinterest [60.841761065439414]
Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。
このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
論文 参考訳(メタデータ) (2022-05-24T02:28:58Z) - Exposing Query Identification for Search Transparency [69.06545074617685]
本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。
本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
論文 参考訳(メタデータ) (2021-10-14T20:19:27Z)
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。