論文の概要: CRM: Retrieval Model with Controllable Condition

• arxiv url: http://arxiv.org/abs/2412.13844v1
• Date: Wed, 18 Dec 2024 13:37:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 16:48:25.279838
• Title: CRM: Retrieval Model with Controllable Condition
• Title（参考訳）: CRM: 制御可能な条件付き検索モデル
• Authors: Chi Liu, Jiangxia Cao, Rui Huang, Kuo Cai, Weifeng Ding, Qiang Luo, Kun Gai, Guorui Zhou,
• Abstract要約: 制御可能な検索モデルでは,レグレッション情報を条件付き特徴として2tower検索パラダイムに統合する。 我々は,現実世界のA/Bテストを通じてCRMの有効性を検証するとともに,クアイショーショートビデオレコメンデーションシステムにおけるCRM導入の成功例を示す。
• 参考スコア（独自算出の注目度）: 23.936944737868465
• License:
• Abstract: Recommendation systems (RecSys) are designed to connect users with relevant items from a vast pool of candidates while aligning with the business goals of the platform. A typical industrial RecSys is composed of two main stages, retrieval and ranking: (1) the retrieval stage aims at searching hundreds of item candidates satisfied user interests; (2) based on the retrieved items, the ranking stage aims at selecting the best dozen items by multiple targets estimation for each item candidate, including classification and regression targets. Compared with ranking model, the retrieval model absence of item candidate information during inference, therefore retrieval models are often trained by classification target only (e.g., click-through rate), but failed to incorporate regression target (e.g., the expected watch-time), which limit the effectiveness of retrieval. In this paper, we propose the Controllable Retrieval Model (CRM), which integrates regression information as conditional features into the two-tower retrieval paradigm. This modification enables the retrieval stage could fulfill the target gap with ranking model, enhancing the retrieval model ability to search item candidates satisfied the user interests and condition effectively. We validate the effectiveness of CRM through real-world A/B testing and demonstrate its successful deployment in Kuaishou short-video recommendation system, which serves over 400 million users.
• Abstract（参考訳）: Recommendation System (RecSys) は、プラットフォームのビジネス目標と整合しながら、候補の広大なプールからユーザと関連するアイテムを接続するように設計されている。 典型的な産業RecSysは,検索とランキングという2つの主要な段階から構成される:(1)検索段階は,ユーザ関心を満足した数百の項目候補を検索することを目的としており,(2)検索段階は,検索対象と回帰対象を含む各項目候補に対して,複数のターゲット推定によるベスト10の項目を選択することを目的としている。 ランキングモデルと比較すると、推測中にアイテム候補情報が欠落しているため、検索モデルは分類対象のみ(例えばクリックスルー率)で訓練されることが多いが、回帰対象(例えば、期待時計時間)を組み込まなかったため、検索の有効性が制限された。 本稿では,レグレッション情報を条件付き特徴として統合した制御可能検索モデル(CRM)を提案する。 この修正により、検索段階はランキングモデルとの目標ギャップを満たすことができ、ユーザの興味や条件を効果的に満たした項目候補を検索する検索モデル能力を向上させることができる。 現実世界のA/Bテストを通じてCRMの有効性を検証するとともに,4億人以上のユーザを対象とするKaishouショートビデオレコメンデーションシステムでのデプロイメントの成功を実証する。

関連論文リスト

• A Distributed Collaborative Retrieval Framework Excelling in All Queries and Corpora based on Zero-shot Rank-Oriented Automatic Evaluation [46.33857318525812]
  分散協調検索フレームワーク(DCRF)を提案する。 様々な検索モデルを統合システムに統合し、ユーザのクエリに対して最適な結果を動的に選択する。 RankGPTやListT5のような効果的なリストワイドメソッドに匹敵するパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2024-12-16T14:55:57Z)
• Bridging Search and Recommendation in Generative Retrieval: Does One Task Help the Other? [9.215695600542249]
  検索とレコメンデーションのための生成的検索は、アイテムを検索する上で有望なパラダイムである。 これらの生成システムは、様々な情報検索タスクを単一のモデルにまとめる上で重要な役割を果たす。 本稿では,このような統合されたアプローチが,IRタスクの検索・推薦においてタスク固有モデルより優れているかどうかを考察する。
  論文  参考訳（メタデータ） (2024-10-22T08:49:43Z)
• Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages [55.04219793298687]
  本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。 特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
  論文  参考訳（メタデータ） (2024-02-07T20:53:53Z)
• List-aware Reranking-Truncation Joint Model for Search and Retrieval-augmented Generation [80.12531449946655]
  本稿では,2つのタスクを同時に実行可能なRe rank-Truncation joint model(GenRT)を提案する。 GenRTは、エンコーダ-デコーダアーキテクチャに基づく生成パラダイムによるリランクとトランケーションを統合している。 提案手法は,Web検索および検索拡張LLMにおけるリランクタスクとトラルケーションタスクの両方においてSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-02-05T06:52:53Z)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• Large Language Models are Zero-Shot Rankers for Recommender Systems [76.02500186203929]
  本研究では,レコメンダシステムのランキングモデルとして機能する大規模言語モデル(LLM)の能力を検討することを目的とする。 LLMにはゼロショットランキング能力があるが、歴史的相互作用の順序を理解するのに苦労していることを示す。 これらの問題は、特別に設計されたプロンプトとブートストラップ戦略によって緩和可能であることを実証する。
  論文  参考訳（メタデータ） (2023-05-15T17:57:39Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• Multi-Label Learning to Rank through Multi-Objective Optimization [9.099663022952496]
  近年,情報検索システムではランク付け技法の学習が至るところで行われている。 あいまいさを解決するためには、多くの関連基準を用いてモデルを訓練することが望ましい。 本稿では,ラベルからの情報を様々な方法で組み合わせて,目標間のトレードオフを特徴付ける,汎用的な枠組みを提案する。
  論文  参考訳（メタデータ） (2022-07-07T03:02:11Z)
• Sample-Rank: Weak Multi-Objective Recommendations Using Rejection Sampling [0.5156484100374059]
  本稿では,マルチゴールサンプリングとユーザ関連度(Sample-Rank)のランク付けによるマーケットプレースの多目的目標への推薦手法を提案する。 提案手法の新規性は,望まれるマルチゴール分布からサンプリングするMOレコメンデーション問題を低減し,プロダクションフレンドリーな学習-ランクモデルを構築することである。
  論文  参考訳（メタデータ） (2020-08-24T09:17:18Z)
• Search-based User Interest Modeling with Lifelong Sequential Behavior Data for Click-Through Rate Prediction [23.460147230576855]
  我々は検索ベース興味モデル(SIM)と呼ばれる新しいモデリングパラダイムを提案する。 SIMは2つのカスケード検索ユニットでユーザ興味を抽出する。 2019年以降、SIMはAlibabaのディスプレイ広告システムにデプロイされ、CTRは7.1%、リフトは4.4%となっている。
  論文  参考訳（メタデータ） (2020-06-10T03:41:15Z)

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。