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

• arxiv url: http://arxiv.org/abs/2505.16752v2
• Date: Sun, 25 May 2025 06:55:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 14:32:55.555578
• 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: 本稿では,推奨シナリオのためのDual-Flow Generative Ranking Network(DFGR)を紹介する。 DFGRは相互作用モデリングの最適化にデュアルフロー機構を採用している。 オープンソースおよび実際の産業データセットにおける実験は、DFGRがDLRMを上回っていることを示している。
• 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 a Dual-Flow Generative Ranking Network (DFGR) for recommendation scenarios. This architecture utilizes only raw user behavior sequence information together with a small amount of basic information describing the behaviors to address the limitations of Deep Learning Recommendation Models (DLRMs) that rely on extensive manual feature engineering. DFGR employs a dual-flow mechanism to optimize interaction modeling, ensuring efficient training and inference through end-to-end token processing. It duplicates the original user behavior sequence into a real flow and a fake flow based on whether the action information used is authentic and then defines a novel interaction method between the real flow and the fake flow within the QKV module of the self-attention mechanism. This design reduces computational overhead and improves both training efficiency and inference performance compared to Meta's HSTU-based model which can be considered the current state-of-the-art (SOTA) model in generative ranking. Our experiments in open-source and real industrial datasets show that DFGR outperforms DLRM, which can be regarded as an industrial online baseline that uses extensive feature engineering, Meta's HSTU approaches, and common recommendation architectures 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 generative ranking paradigm.
• Abstract（参考訳）: 本稿では,推奨シナリオのためのDual-Flow Generative Ranking Network(DFGR)を紹介する。 このアーキテクチャは、広範囲な手動機能工学に依存する深層学習勧告モデル(DLRM)の限界に対応するために、少数の基本的な情報とともに、生のユーザ行動シーケンス情報のみを利用する。 DFGRは相互作用モデリングを最適化し、エンドツーエンドのトークン処理による効率的なトレーニングと推論を保証するために、デュアルフロー機構を採用している。 使用した動作情報が本物かどうかに基づいて、元のユーザ動作シーケンスを実フローと偽フローに複製し、自己認識機構のQKVモジュール内の実フローと偽フローとの新たなインタラクション方法を定義する。 この設計は計算オーバーヘッドを減らし、メタのHSTUモデルと比較してトレーニング効率と推論性能を向上し、生成的ランキングにおける現在の最先端(SOTA)モデルと見なすことができる。 DIN,DCN,DIEN,DeepFMといった一般的なレコメンデーションアーキテクチャやMetaのHSTUアプローチを用いた産業用オンラインベースラインとして,DFGRがDLRMより優れていることを示す。 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を効率的かつ効果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。