論文の概要: IRA: Adaptive Interest-aware Representation and Alignment for Personalized Multi-interest Retrieval
- arxiv url: http://arxiv.org/abs/2504.17529v2
- Date: Tue, 06 May 2025 08:47:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-07 14:45:09.334795
- Title: IRA: Adaptive Interest-aware Representation and Alignment for Personalized Multi-interest Retrieval
- Title（参考訳）: IRA:パーソナライズされた多目的検索のための適応的関心認識表現とアライメント
- Authors: Youngjune Lee, Haeyu Jeong, Changgeon Lim, Jeong Choi, Hongjun Lim, Hangon Kim, Jiyoon Kwon, Saehun Kim,
- Abstract要約: 我々は、関心を意識した表現とアライメント(IRA)フレームワークを提案する。
IRAは累積構造を介して動的に新しい相互作用に適応する。
実世界のデータセットに対する広範な実験を通じて、IRAの有効性を検証する。
- 参考スコア（独自算出の注目度）: 1.6970413234850568
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Online community platforms require dynamic personalized retrieval and recommendation that can continuously adapt to evolving user interests and new documents. However, optimizing models to handle such changes in real-time remains a major challenge in large-scale industrial settings. To address this, we propose the Interest-aware Representation and Alignment (IRA) framework, an efficient and scalable approach that dynamically adapts to new interactions through a cumulative structure. IRA leverages two key mechanisms: (1) Interest Units that capture diverse user interests as contextual texts, while reinforcing or fading over time through cumulative updates, and (2) a retrieval process that measures the relevance between Interest Units and documents based solely on semantic relationships, eliminating dependence on click signals to mitigate temporal biases. By integrating cumulative Interest Unit updates with the retrieval process, IRA continuously adapts to evolving user preferences, ensuring robust and fine-grained personalization without being constrained by past training distributions. We validate the effectiveness of IRA through extensive experiments on real-world datasets, including its deployment in the Home Section of NAVER's CAFE, South Korea's leading community platform.
- Abstract（参考訳）: オンラインコミュニティプラットフォームは動的にパーソナライズされた検索とレコメンデーションを必要とし、ユーザの興味や新しいドキュメントに継続的に適応できる。
しかし、このような変更をリアルタイムに処理するためにモデルを最適化することは、大規模な産業環境において大きな課題である。
これを解決するために、累積構造を通して新しい相互作用に動的に適応する効率的でスケーラブルなアプローチである、関心認識型表現とアライメント(IRA)フレームワークを提案する。
IRAは,(1)ユーザの関心を文脈的テキストとして捉えつつ,累積的な更新によって時間の経過とともに減少する関心ユニットと,(2)意味的関係のみに基づく関心ユニットと文書間の関連性を測定する検索プロセスと,クリック信号への依存を排除し,時間的偏見を緩和する関心ユニットの2つの主要なメカニズムを活用する。
累積的関心ユニット更新を検索プロセスに統合することにより、IRAはユーザの好みの進化に継続的に適応し、過去のトレーニングディストリビューションに制約されることなく、堅牢できめ細かなパーソナライズを確実にする。
韓国の主要なコミュニティプラットフォームであるNAVERのCAFEのホームセクションに展開するなど、現実世界のデータセットに関する広範な実験を通じてIRAの有効性を検証する。
関連論文リスト
- Dynamic Allocation Hypernetwork with Adaptive Model Recalibration for Federated Continual Learning [49.508844889242425]
適応型モデル再構成(FedDAH)を用いた動的アロケーション・ハイパーネットワーク(動的アロケーション・ハイパーネットワーク)の医用領域におけるサーバサイドFCLパターンを提案する。
FedDAHは、クライアント間で異なる動的タスクストリームの下での協調学習を容易にするように設計されている。
バイアス最適化のために,従来のモデルの変更候補を現在のサーバ更新に組み込むために,新しい適応モデル再校正(AMR)を導入する。
論文 参考訳（メタデータ） (2025-03-25T00:17:47Z) - Dynamic Allocation Hypernetwork with Adaptive Model Recalibration for FCL [49.508844889242425]
適応型モデル再校正(textbfFedDAH)を用いた動的アロケーション・ハイパーネットワークの医療領域におけるサーバサイドFCLパターンを提案する。
バイアス最適化のために,従来のモデルの変更候補を現在のサーバ更新に組み込むために,新しい適応モデル再校正(AMR)を導入する。
AMOSデータセットの実験では、異なるタスクストリームを持つサイトの他のFCLメソッドよりもFedDAHの方が優れていることが示されています。
論文 参考訳（メタデータ） (2025-03-23T13:12:56Z) - Behavior Modeling Space Reconstruction for E-Commerce Search [32.46624795081706]
検索システムは、ユーザの嗜好とクエリ項目の関連性を静的に組み合わせ、しばしば固定された論理的「and」関係を通じて、ユーザの振舞いをモデル化する。
本稿では、因果グラフとVenn図の両方を用いて、統一レンズを通して既存のアプローチを再検討する。
これらの課題を克服するために,2つのコンポーネントによる探索精度を高め,行動モデリング空間を再構築する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-30T09:17:04Z) - InterFormer: Towards Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [72.50606292994341]
我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。
提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-11-15T00:20:36Z) - LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。
提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
論文 参考訳（メタデータ） (2024-11-14T13:00:23Z) - Personality Analysis from Online Short Video Platforms with Multi-domain Adaptation [16.555668668581237]
オンラインショートビデオのパーソナリティ分析は、パーソナライズされたレコメンデーションシステム、感情分析、人間とコンピュータのインタラクションに応用されているため、注目を集めている。
ビッグファイブ・パーソナリティ・フレームワークに基づくアンケートのような従来の評価手法は、自己報告バイアスによって制限されており、大規模な分析やリアルタイム分析では実用的ではない。
マルチモーダル・パーソナリティ分析フレームワークを提案し,複数のモーダルから特徴を同期・統合することで課題に対処する。
論文 参考訳（メタデータ） (2024-10-26T03:29:32Z) - Reprogramming Foundational Large Language Models(LLMs) for Enterprise Adoption for Spatio-Temporal Forecasting Applications: Unveiling a New Era in Copilot-Guided Cross-Modal Time Series Representation Learning [0.0]
パティオ時間予測は、輸送システム、物流、サプライチェーン管理など、様々な分野において重要な役割を担っている。
本稿では,オープンソースの大規模・小規模言語モデル(LLM,LM)と従来の予測手法を組み合わせたハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2024-08-26T16:11:53Z) - Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation [28.29435760797856]
本稿では,TIRシナリオにおけるクリックスルーレート予測のための新しい手法であるDeep Evolutional Instant Interest Network (DEI2N)を提案する。
我々は,ユーザがスクロールダウンした場合の瞬間的関心の強度の動的変化を予測するために,ユーザインスタント・関心モデリング・レイヤを設計する。
オフラインおよび実世界の産業データセットを用いて,本手法の評価を行った。
論文 参考訳（メタデータ） (2024-01-15T15:27:24Z) - RETE: Retrieval-Enhanced Temporal Event Forecasting on Unified Query
Product Evolutionary Graph [18.826901341496143]
時間的イベント予測は、統合クエリ製品進化グラフにおける新しいユーザ行動予測タスクである。
本稿では,新しいイベント予測フレームワークを提案する。
既存手法とは違って,グラフ全体の大まかに連結されたエンティティを通じてユーザ表現を強化する手法を提案する。
論文 参考訳（メタデータ） (2022-02-12T19:27:56Z) - Lifelong Unsupervised Domain Adaptive Person Re-identification with
Coordinated Anti-forgetting and Adaptation [127.6168183074427]
本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。
これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。
我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
論文 参考訳（メタデータ） (2021-12-13T13:19:45Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳（メタデータ） (2021-01-08T04:16:24Z)
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。