論文の概要: InteractRank: Personalized Web-Scale Search Pre-Ranking with Cross Interaction Features
- arxiv url: http://arxiv.org/abs/2504.06609v1
- Date: Wed, 09 Apr 2025 06:13:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-10 13:07:49.601728
- Title: InteractRank: Personalized Web-Scale Search Pre-Ranking with Cross Interaction Features
- Title（参考訳）: InteractRank: 対話機能を備えたパーソナライズされたWebスケール検索事前ランキング
- Authors: Sujay Khandagale, Bhawna Juneja, Prabhat Agarwal, Aditya Subramanian, Jaewon Yang, Yuting Wang,
- Abstract要約: Pinterestで使用されている堅牢なクロスインタラクション機能を備えた,新しい2つのタワープレグレードモデルであるInteractRankを紹介した。
Pinterestの実際のA/B実験では、InteractRankはBM25ベースラインで6.5%、バニラ2タワーベースラインで3.7%改善している。
- 参考スコア（独自算出の注目度）: 11.714355867245795
- License:
- Abstract: Modern search systems use a multi-stage architecture to deliver personalized results efficiently. Key stages include retrieval, pre-ranking, full ranking, and blending, which refine billions of items to top selections. The pre-ranking stage, vital for scoring and filtering hundreds of thousands of items down to a few thousand, typically relies on two tower models due to their computational efficiency, despite often lacking in capturing complex interactions. While query-item cross interaction features are paramount for full ranking, integrating them into pre-ranking models presents efficiency-related challenges. In this paper, we introduce InteractRank, a novel two tower pre-ranking model with robust cross interaction features used at Pinterest. By incorporating historical user engagement-based query-item interactions in the scoring function along with the two tower dot product, InteractRank significantly boosts pre-ranking performance with minimal latency and computation costs. In real-world A/B experiments at Pinterest, InteractRank improves the online engagement metric by 6.5% over a BM25 baseline and by 3.7% over a vanilla two tower baseline. We also highlight other components of InteractRank, like real-time user-sequence modeling, and analyze their contributions through offline ablation studies. The code for InteractRank is available at https://github.com/pinterest/atg-research/tree/main/InteractRank.
- Abstract（参考訳）: 現代の検索システムは、パーソナライズされた結果を効率的に提供するために、多段階アーキテクチャを使用する。
主なステージは、検索、事前ランク付け、完全なランキング付け、そしてベストセレクションに何十億ものアイテムを精選するブレンディングだ。
数十万のアイテムを数千まで抽出・フィルタリングするのに欠かせないプレグレードのステージは、複雑な相互作用を捉えるのにしばしば欠かせないにもかかわらず、計算効率のために2つのタワーモデルに依存している。
クエリイットムのクロスインタラクション機能は、完全なランク付けには最重要であるが、それらをプレグレードモデルに統合することは、効率に関する課題を提示する。
本稿では,Pinterest で使用されている堅牢なクロスインタラクション機能を備えた新しい2つのタワープレグレードモデルである InteractRank を紹介する。
スコアリング機能と2つのタワードット製品にユーザエンゲージメントベースのクエリ-イテムインタラクションを組み込むことで、InteractRankはレイテンシと計算コストを最小限に抑えて、パフォーマンスを大幅に向上させる。
Pinterestの実際のA/B実験では、InteractRankはBM25ベースラインで6.5%、バニラ2タワーベースラインで3.7%改善している。
また、リアルタイムなユーザシーケンスモデリングのようなInteractRankの他のコンポーネントも強調し、オフラインアブレーション研究を通じてそれらのコントリビューションを分析します。
InteractRankのコードはhttps://github.com/pinterest/atg-research/tree/main/InteractRankで公開されている。
関連論文リスト
- Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。
近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。
マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
論文 参考訳（メタデータ） (2024-11-22T15:29:05Z) - Beyond Two-Tower Matching: Learning Sparse Retrievable
Cross-Interactions for Recommendation [80.19762472699814]
2-towerモデルは、産業アプリケーションに広くデプロイされている推奨のための一般的なマッチングフレームワークである。
機能間相互作用の制限と、オンラインサービスにおける精度の低下など、主な課題が2つある。
我々は,高度な機能相互作用だけでなく,効率的な検索もサポートするSparCodeという新しいマッチングパラダイムを提案する。
論文 参考訳（メタデータ） (2023-11-30T03:13:36Z) - Neighbor Based Enhancement for the Long-Tail Ranking Problem in Video
Rank Models [0.0]
本稿では,対象ユーザや項目の表現のトレーニングを支援する新しい隣人拡張構造を提案する。
有名な公開データセットMovieLens 1Mの実験は、この手法の効率を実証している。
論文 参考訳（メタデータ） (2023-02-16T07:38:51Z) - Interactiveness Field in Human-Object Interactions [89.13149887013905]
画像中の物体が人間とペアリングした後、生成されたペアは、主に非対話的か、主に対話的かのいずれかである。
本研究では,対話型対と非対話型対の基底となる「相互作用性場」の濃度と差に基づく新しいエネルギー制約を提案する。
提案手法により,より高精度なペア検出が可能となり,HOI検出性能が大幅に向上する。
論文 参考訳（メタデータ） (2022-04-16T05:09:25Z) - Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。
新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。
また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
論文 参考訳（メタデータ） (2022-02-01T06:52:40Z) - PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。
ピランクは所望の指標をゼロ温度の限界で正確に回収する。
論文 参考訳（メタデータ） (2020-12-12T05:07:36Z) - Dynamic Embeddings for Interaction Prediction [2.5758502140236024]
推薦システム(RS)では、ユーザが対話する次の項目を予測することが、ユーザの保持に不可欠である。
近年,ユーザとアイテム間の相互相互作用を個別のユーザとアイテムの埋め込みを用いてモデル化する手法の有効性が示されている。
本稿では,DeePRedと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2020-11-10T16:04:46Z) - Learning to Match Jobs with Resumes from Sparse Interaction Data using
Multi-View Co-Teaching Network [83.64416937454801]
ジョブ列のインタラクションデータは疎結合でノイズが多く、ジョブ列のマッチングアルゴリズムのパフォーマンスに影響する。
求人情報マッチングのための疎相互作用データから,新しいマルチビュー協調学習ネットワークを提案する。
我々のモデルは求人マッチングの最先端手法より優れている。
論文 参考訳（メタデータ） (2020-09-25T03:09:54Z) - Asynchronous Interaction Aggregation for Action Detection [43.34864954534389]
本稿では,異なるインタラクションを活用して動作検出を促進する非同期インタラクション集約ネットワーク(AIA)を提案する。
ひとつはインタラクション集約構造(IA)で、複数のタイプのインタラクションをモデル化し統合するための一様パラダイムを採用し、もうひとつはパフォーマンス向上を実現するための非同期メモリ更新アルゴリズム(AMU)です。
論文 参考訳（メタデータ） (2020-04-16T07:03:20Z)
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。