論文の概要: Item Level Exploration Traffic Allocation in Large-scale Recommendation Systems

• arxiv url: http://arxiv.org/abs/2505.09033v1
• Date: Wed, 14 May 2025 00:05:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.331187
• Title: Item Level Exploration Traffic Allocation in Large-scale Recommendation Systems
• Title（参考訳）: 大規模レコメンデーションシステムにおける項目レベルの交通割当
• Authors: Dong Wang, Junyi Jiao, Arnab Bhadury, Yaping Zhang, Mingyan Gao,
• Abstract要約: 本稿では,大規模レコメンデーションシステムにおけるコールドスタート問題の解決に寄与する。 そこで本研究では,新鮮な商品に印象を効率的に割り当てるための探索システムを提案する。
• 参考スコア（独自算出の注目度）: 7.207863744953401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper contributes to addressing the item cold start problem in large-scale recommender systems, focusing on how to efficiently gain initial visibility for newly ingested content. We propose an exploration system designed to efficiently allocate impressions to these fresh items. Our approach leverages a learned probabilistic model to predict an item's discoverability, which then informs a scalable and adaptive traffic allocation strategy. This system intelligently distributes exploration budgets, optimizing for the long-term benefit of the recommendation platform. The impact is a demonstrably more efficient cold-start process, leading to a significant increase in the discoverability of new content and ultimately enriching the item corpus available for exploitation, as evidenced by its successful deployment in a large-scale production environment.
• Abstract（参考訳）: 本稿では,大規模レコメンデーションシステムにおけるアイテムコールドスタート問題の解決に寄与する。 本稿では,これらの新鮮品に印象を効率的に割り当てるための探索システムを提案する。 提案手法では,学習した確率モデルを用いてアイテムの発見可能性を予測し,スケーラブルで適応的なトラフィック割り当て戦略を通知する。 このシステムは、探索予算をインテリジェントに分配し、レコメンデーションプラットフォームの長期的な利益を最適化する。 この影響は明らかにより効率的なコールドスタートプロセスであり、大規模生産環境での展開の成功によって証明されたように、新しいコンテンツの発見可能性が大きく増加し、最終的に利用可能なアイテムコーパスが強化される。

関連論文リスト

• Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
  このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。 これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。 主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
  論文  参考訳（メタデータ） (2025-02-19T14:48:25Z)
• Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms [68.51708490104687]
  調査力の低い純粋に関連性の高い政策は、短期的ユーザの満足度を高めるが、コンテンツプールの長期的豊かさを損なうことを示す。 調査の結果,プラットフォーム上でのユーザの即時満足度と全体のコンテンツ生産との間には,根本的なトレードオフがあることが判明した。
  論文  参考訳（メタデータ） (2024-10-31T07:19:22Z)
• Performative Debias with Fair-exposure Optimization Driven by Strategic Agents in Recommender Systems [12.913561033531249]
  本稿では,戦略エージェントによって駆動される公正露光最適化を用いた動的設定における再ランク付け手法を提案する。 共同目標は、テールアイテムの視認性を高めながらレコメンデーションのパフォーマンスを確保することである。 提案手法の有効性と優位性を実証し,特にテールアイテムの可能性を明らかにするために検討した。
  論文  参考訳（メタデータ） (2024-06-25T11:41:50Z)
• LEARN: Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  Llm-driven knowlEdge Adaptive RecommeNdation (LEARN)フレームワークは、オープンワールドの知識と協調的な知識をシナジする。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• DNS-Rec: Data-aware Neural Architecture Search for Recommender Systems [79.76519917171261]
  本稿では,SRS(Sequential Recommender Systems)における計算オーバーヘッドと資源非効率性について述べる。 本稿では, プルーニング法と高度なモデル設計を組み合わせた革新的な手法を提案する。 我々の主な貢献は、リコメンダシステム(DNS-Rec)のためのデータ対応ニューラルアーキテクチャ検索の開発である。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)
• Exploring Customer Price Preference and Product Profit Role in Recommender Systems [0.4724825031148411]
  我々は,レコメンデーションシステムの利益意識を操作する効果を示す。 本稿では,スコアベースのレコメンデータシステムにおいて,予測ランキングの調整を提案する。 実験では、精度と生成したレコメンデーションの利益の両方を改善する能力を示す。
  論文  参考訳（メタデータ） (2022-03-13T12:08:06Z)
• Deep Exploration for Recommendation Systems [14.937000494745861]
  我々はレコメンデーションシステムのための深層探査手法を開発した。 特に、逐次決定問題としてレコメンデーションを定式化する。 本実験は高忠実度産業用シミュレータを用いて行った。
  論文  参考訳（メタデータ） (2021-09-26T06:54:26Z)
• Exploration-Exploitation Motivated Variational Auto-Encoder for Recommender Systems [1.52292571922932]
  協調フィルタリングにおいて,エクスプロビテーション探索型変分自動エンコーダ(XploVAE)を導入する。 パーソナライズされたレコメンデーションを容易にするために、観測されたユーザとイテムのインタラクションを1次にキャプチャする、ユーザ固有のサブグラフを構築した。 階層的潜在空間モデルを用いて、各ユーザに対するパーソナライズされたアイテム埋め込みと、全ユーザサブグラフの人口分布を学習する。
  論文  参考訳（メタデータ） (2020-06-05T17:37:46Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。