論文の概要: A Generative Re-ranking Model for List-level Multi-objective Optimization at Taobao

• arxiv url: http://arxiv.org/abs/2505.07197v1
• Date: Mon, 12 May 2025 03:01:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.247662
• Title: A Generative Re-ranking Model for List-level Multi-objective Optimization at Taobao
• Title（参考訳）: タオバオにおけるリストレベルの多目的最適化のための生成的リグレードモデル
• Authors: Yue Meng, Cheng Guo, Yi Cao, Tong Liu, Bo Zheng,
• Abstract要約: 本稿では,低次リストレベルの多目的最適化問題に対する逐次順序回帰変換器・ジェネレータ (SORT-Gen) を新たに提案する。 SORT-Genは、Taobao Appの複数のシナリオでうまくデプロイされ、多数のユーザに役立っている。
• 参考スコア（独自算出の注目度）: 20.11584617315975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: E-commerce recommendation systems aim to generate ordered lists of items for customers, optimizing multiple business objectives, such as clicks, conversions and Gross Merchandise Volume (GMV). Traditional multi-objective optimization methods like formulas or Learning-to-rank (LTR) models take effect at item-level, neglecting dynamic user intent and contextual item interactions. List-level multi-objective optimization in the re-ranking stage can overcome this limitation, but most current re-ranking models focus more on accuracy improvement with context. In addition, re-ranking is faced with the challenges of time complexity and diversity. In light of this, we propose a novel end-to-end generative re-ranking model named Sequential Ordered Regression Transformer-Generator (SORT-Gen) for the less-studied list-level multi-objective optimization problem. Specifically, SORT-Gen is divided into two parts: 1)Sequential Ordered Regression Transformer innovatively uses Transformer and ordered regression to accurately estimate multi-objective values for variable-length sub-lists. 2)Mask-Driven Fast Generation Algorithm combines multi-objective candidate queues, efficient item selection and diversity mechanism into model inference, providing a fast online list generation method. Comprehensive online experiments demonstrate that SORT-Gen brings +4.13% CLCK and +8.10% GMV for Baiyibutie, a notable Mini-app of Taobao. Currently, SORT-Gen has been successfully deployed in multiple scenarios of Taobao App, serving for a vast number of users.
• Abstract（参考訳）: Eコマースレコメンデーションシステムは、クリック、変換、Gross Merchandise Volume(GMV)といった複数のビジネス目標を最適化することで、顧客向けのアイテムの順序付きリストを作成することを目的としている。 式やLearning-to-rank(LTR)モデルのような従来の多目的最適化手法は、動的ユーザ意図やコンテキストアイテムの相互作用を無視して、アイテムレベルで効果を発揮する。 リストレベルの多目的最適化は、この制限を克服することができるが、現在のほとんどのモデルでは、文脈による精度の向上に重点を置いている。 さらに、再ランク付けは、時間複雑性と多様性の課題に直面しています。 そこで本研究では,低次リストレベルの多目的最適化問題に対する逐次順序回帰変換器・ジェネレータ (SORT-Gen) という新しいエンドツーエンド生成モデルを提案する。 特に、SORT-Genは、2つの部分に分けられる: 1) 逐次順序回帰変換器は革新的にTransformerと順序回帰を使い、可変長サブリストの多目的値を正確に推定する。 2)マスク駆動高速生成アルゴリズムは,多目的候補待ち行列,効率的な項目選択,多様性機構をモデル推論に組み合わせ,高速なオンラインリスト生成手法を提供する。 総合的なオンライン実験により、SORT-Gen は Baiyibutie に +4.13% CLCK と +8.10% の GMV をもたらすことが示された。 現在、SORT-GenはTaobao Appの複数のシナリオでうまくデプロイされており、膨大な数のユーザに役立っている。

関連論文リスト

• Learning Item Representations Directly from Multimodal Features for Effective Recommendation [51.49251689107541]
  マルチモーダルレコメンデータシステムは、主にベイズパーソナライズされたランク付け(BPR)最適化を利用してアイテム表現を学習する。 本稿では,マルチモーダルな特徴からアイテム表現を直接学習し,推薦性能を向上する新しいモデル(LIRDRec)を提案する。
  論文  参考訳（メタデータ） (2025-05-08T05:42:22Z)
• Adapt-$\infty$: Scalable Continual Multimodal Instruction Tuning via Dynamic Data Selection [89.42023974249122]
  Adapt-$infty$は、生涯のインストラクションチューニングのための、新しいマルチウェイおよびアダプティブなデータ選択アプローチである。 勾配に基づくサンプルベクトルをグループ化して擬似スキルクラスタを構築する。 セレクタエキスパートのプールから各スキルクラスタの最高のパフォーマンスデータセレクタを選択する。 このデータセレクタは、トレーニングのために各スキルクラスタから最も重要なサンプルのサブセットをサンプリングする。
  論文  参考訳（メタデータ） (2024-10-14T15:48:09Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• 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)
• Non-autoregressive Generative Models for Reranking Recommendation [9.854541524740549]
  推薦システムでは、項目間のリスト内相関をモデル化することで、リランクが重要な役割を果たす。 本研究では, 効率と効率性を高めるために, 提案するレコメンデーション(NAR4Rec)の再評価のための非自己回帰生成モデルを提案する。 NAR4Recは、毎日3億人のアクティブユーザーがいる人気ビデオアプリKuaishouに完全にデプロイされている。
  論文  参考訳（メタデータ） (2024-02-10T03:21:13Z)
• MultiSlot ReRanker: A Generic Model-based Re-Ranking Framework in Recommendation Systems [6.0232112783722]
  本稿では,汎用モデルに基づくリグレードフレームワークであるMultiSlot ReRankerを提案し,その妥当性,多様性,鮮度を同時に最適化する。 我々は,OpenAI GymをRayフレームワークに統合したマルチスロットリグレードシミュレータを構築した。
  論文  参考訳（メタデータ） (2024-01-11T23:17:07Z)
• 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-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)
• 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)

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。