論文の概要: Inference Computation Scaling for Feature Augmentation in Recommendation Systems

• arxiv url: http://arxiv.org/abs/2502.16040v1
• Date: Sat, 22 Feb 2025 02:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:56:22.808475
• Title: Inference Computation Scaling for Feature Augmentation in Recommendation Systems
• Title（参考訳）: 推薦システムにおける特徴量増大のための推論計算スケーリング
• Authors: Weihao Liu, Zhaocheng Du, Haiyuan Zhao, Wenbo Zhang, Xiaoyan Zhao, Gang Wang, Zhenhua Dong, Jun Xu,
• Abstract要約: NDCG@10では,スケーリング推論が12%増加し,レコメンデーション性能が大幅に向上した。 利得は、特徴量と特異性という2つの重要な要因に帰せられる。 これは、レコメンデーションシステムにおける機能拡張に推論スケーリングを適用する最初の試みである。
• 参考スコア（独自算出の注目度）: 15.951799347708315
• License:
• Abstract: Large language models have become a powerful method for feature augmentation in recommendation systems. However, existing approaches relying on quick inference often suffer from incomplete feature coverage and insufficient specificity in feature descriptions, limiting their ability to capture fine-grained user preferences and undermining overall performance. Motivated by the recent success of inference scaling in math and coding tasks, we explore whether scaling inference can address these limitations and enhance feature quality. Our experiments show that scaling inference leads to significant improvements in recommendation performance, with a 12% increase in NDCG@10. The gains can be attributed to two key factors: feature quantity and specificity. In particular, models using extended Chain-of-Thought (CoT) reasoning generate a greater number of detailed and precise features, offering deeper insights into user preferences and overcoming the limitations of quick inference. We further investigate the factors influencing feature quantity, revealing that model choice and search strategy play critical roles in generating a richer and more diverse feature set. This is the first work to apply inference scaling to feature augmentation in recommendation systems, bridging advances in reasoning tasks to enhance personalized recommendation.
• Abstract（参考訳）: 大規模言語モデルはレコメンデーションシステムにおいて機能拡張のための強力な方法となっている。 しかし、クイック推論に依存する既存のアプローチは、しばしば不完全な機能カバレッジと機能記述の不完全な特異性に悩まされ、きめ細かいユーザの好みを捉え、全体的なパフォーマンスを損なう能力を制限する。 最近の数学やコーディングタスクにおける推論スケーリングの成功により、これらの制限に対処し、機能品質を高めることができるかどうかを考察する。 NDCG@10では,スケーリング推論により推奨性能が大幅に向上し,12%のNDCG@10が増加した。 利得は、特徴量と特異性という2つの重要な要因に帰せられる。 特に、拡張Chain-of-Thought(CoT)推論を用いたモデルは、多くの詳細かつ正確な機能を生成し、ユーザの好みに関する深い洞察を提供し、迅速な推論の限界を克服します。 さらに,特徴量に影響を与える要因について検討し,よりリッチで多様な特徴セットを生成する上で,モデル選択と探索戦略が重要な役割を果たすことを明らかにした。 これは、リコメンデーションシステムにおける機能拡張に推論スケーリングを適用し、パーソナライズされたレコメンデーションを強化するためにタスク推論の進歩をブリッジする最初の試みである。

関連論文リスト

• Incorporating Group Prior into Variational Inference for Tail-User Behavior Modeling in CTR Prediction [8.213386595519928]
  我々は,新しい変分推論手法,すなわちグループ事前サンプリング変分推論(GPSVI)を提案する。 GPSVIは、グループ嗜好を先行として導入し、末尾ユーザーのための潜伏したユーザー関心を洗練させる。 厳密な分析と広範な実験により、GPSVIはテールユーザーの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2024-10-19T13:15:36Z)
• A Recommendation Model Utilizing Separation Embedding and Self-Attention for Feature Mining [7.523158123940574]
  レコメンデーションシステムは、ユーザのニーズを満たすコンテンツをユーザに提供します。 従来のクリックスルーレート予測とTOP-Kレコメンデーションメカニズムはレコメンデーションのニーズを満たすことができない。 本稿では,ネットワーク間の分離に基づくレコメンデーションシステムモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-19T07:49:21Z)
• Spurious Feature Eraser: Stabilizing Test-Time Adaptation for Vision-Language Foundation Model [86.9619638550683]
  視覚言語基礎モデルは、画像とテキストのペアデータに拡張性があるため、多数の下流タスクで顕著な成功を収めている。 しかし、これらのモデルは、決定ショートカットの結果、きめ細かな画像分類などの下流タスクに適用した場合に重大な制限を呈する」。
  論文  参考訳（メタデータ） (2024-03-01T09:01:53Z)
• Data-Centric Long-Tailed Image Recognition [49.90107582624604]
  ロングテールモデルは高品質なデータに対する強い需要を示している。 データ中心のアプローチは、モデルパフォーマンスを改善するために、データの量と品質の両方を強化することを目的としています。 現在、情報強化の有効性を説明するメカニズムに関する研究が不足している。
  論文  参考訳（メタデータ） (2023-11-03T06:34:37Z)
• Exploiting Modality-Specific Features For Multi-Modal Manipulation Detection And Grounding [54.49214267905562]
  マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。 本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。 本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
  論文  参考訳（メタデータ） (2023-09-22T06:55:41Z)
• FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions [7.674715791336311]
  本稿では,スパース関数オン・ファンクション回帰問題において特徴選択を行うための,新しい,柔軟な,超効率的なアプローチを提案する。 我々はそれをスカラー・オン・ファンクション・フレームワークに拡張する方法を示す。 AOMIC PIOP1による脳MRIデータへの応用について述べる。
  論文  参考訳（メタデータ） (2023-03-26T19:41:17Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Determinantal Point Process Likelihoods for Sequential Recommendation [12.206748373325972]
  本稿では,DPP(Determinantal Point Process)の確率に基づく2つの新たな損失関数を提案する。 提案した損失関数を実世界の3つのデータセットで実験した結果、品質と多様性の指標の両方において、最先端のシーケンシャルなレコメンデーション手法よりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2022-04-25T11:20:10Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。