論文の概要: Action is All You Need: Dual-Flow Generative Ranking Network for Recommendation

• arxiv url: http://arxiv.org/abs/2505.16752v1
• Date: Thu, 22 May 2025 14:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.376204
• Title: Action is All You Need: Dual-Flow Generative Ranking Network for Recommendation
• Title（参考訳）: アクションは必要なものすべて: 推薦のための二流生成ランクネットワーク
• Authors: Hao Guo, Erpeng Xue, Lei Huang, Shichao Wang, Xiaolei Wang, Lei Wang, Jinpeng Wang, Sheng Chen,
• Abstract要約: DFGR(Dual-Flow Generative Ranking Network)について紹介する。 DFGRは自己保持機構のQKVモジュール内の実フローと偽フローの間の革新的な相互作用パターンを統合する。 従来のレコメンデーションモデルとは異なり、DFGRはユーザ履歴の動作シーケンスと最小限の属性情報のみに依存している。
• 参考スコア（独自算出の注目度）: 25.30922374657862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the Dual-Flow Generative Ranking Network (DFGR), a two-stream architecture designed for recommendation systems. DFGR integrates innovative interaction patterns between real and fake flows within the QKV modules of the self-attention mechanism, enhancing both training and inference efficiency. This approach effectively addresses a key limitation observed in Meta's proposed HSTU generative recommendation approach, where heterogeneous information volumes are mapped into identical vector spaces, leading to training instability. Unlike traditional recommendation models, DFGR only relies on user history behavior sequences and minimal attribute information, eliminating the need for extensive manual feature engineering. Comprehensive evaluations on open-source and industrial datasets reveal DFGR's superior performance compared to established baselines such as DIN, DCN, DIEN, and DeepFM. We also investigate optimal parameter allocation strategies under computational constraints, establishing DFGR as an efficient and effective next-generation generate ranking paradigm.
• Abstract（参考訳）: 本稿では,リコメンデーションシステム用に設計された2ストリームアーキテクチャであるDual-Flow Generative Ranking Network (DFGR)を紹介する。 DFGRは自己認識機構のQKVモジュール内の実フローと偽フローの間の革新的な相互作用パターンを統合し、トレーニングと推論の効率を向上させる。 このアプローチはメタが提案したHSTU生成レコメンデーションアプローチにおいて、異種情報ボリュームを同一ベクトル空間にマッピングし、トレーニングの不安定性をもたらす重要な制限を効果的に解決する。 従来のレコメンデーションモデルとは異なり、DFGRはユーザ履歴の動作シーケンスと最小限の属性情報のみに依存しており、広範囲な手動機能エンジニアリングの必要性を排除している。 DIN、DCN、DIEN、DeepFMといった既存のベースラインと比べて、DFGRは優れたパフォーマンスを示している。 また、計算制約下での最適パラメータ割り当て戦略について検討し、DFGRを効率的かつ効率的な次世代生成ランキングパラダイムとして確立する。

関連論文リスト

• Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model [71.45491434257106]
  Unified Generative Recommendation Framework (UniGRF)は、検索とランキングを単一の生成モデルに統合する新しいアプローチである。 ステージ間コラボレーションを強化するため、UniGRFはランキング駆動エンハンサーモジュールを導入した。 UniGRFは、ベンチマークデータセット上で既存のモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-04-23T06:43:54Z)
• Lightweight and Direct Document Relevance Optimization for Generative Information Retrieval [49.669503570350166]
  生成情報検索(GenIR)は、文書識別子(ドシデント)生成タスクとして文書検索を定式化する有望なニューラル検索パラダイムである。 既存のGenIRモデルはトークンレベルのミスアライメントに悩まされており、次のトークンを予測するためにトレーニングされたモデルは、ドキュメントレベルの関連性を効果的にキャプチャできないことが多い。 本稿では,トークンレベルのドシデント生成と文書レベルのドシデンス推定をペアのランク付けによる直接最適化により整合するダイレクトドキュメントレバレンス最適化(DDRO)を提案する。
  論文  参考訳（メタデータ） (2025-04-07T15:27:37Z)
• Reinforced Model Merging [53.84354455400038]
  本稿では,タスク統合に適した環境とエージェントを含むRMM(Reinforced Model Merging)という,革新的なフレームワークを提案する。 評価プロセス中にデータサブセットを利用することで、報酬フィードバックフェーズのボトルネックに対処し、RMMを最大100倍高速化する。
  論文  参考訳（メタデータ） (2025-03-27T08:52:41Z)
• Recursive Gaussian Process State Space Model [4.572915072234487]
  動作領域とGPハイパーパラメータの両方に適応可能な新しいオンラインGPSSM法を提案する。 ポイントを誘導するオンライン選択アルゴリズムは、情報的基準に基づいて開発され、軽量な学習を実現する。 合成データセットと実世界のデータセットの総合的な評価は,提案手法の精度,計算効率,適応性を示す。
  論文  参考訳（メタデータ） (2024-11-22T02:22:59Z)
• How to Make LLMs Strong Node Classifiers? [70.14063765424012]
  言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。 本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T08:27:54Z)
• Effective Reinforcement Learning Based on Structural Information Principles [19.82391136775341]
  本稿では, 効率的な意思決定・意思決定のための, 新規で汎用的な構造情報原則に基づくフレームワーク,すなわちSIDMを提案する。 SIDMは、様々な単一エージェントおよびマルチエージェントRLアルゴリズムに柔軟に組み込むことができ、その性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-04-15T13:02:00Z)

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。