論文の概要: Breaker: Removing Shortcut Cues with User Clustering for Single-slot Recommendation System

• arxiv url: http://arxiv.org/abs/2506.00828v1
• Date: Sun, 01 Jun 2025 04:23:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.684792
• Title: Breaker: Removing Shortcut Cues with User Clustering for Single-slot Recommendation System
• Title（参考訳）: Breaker: シングルスロットレコメンデーションシステムのためのユーザクラスタリングによるショートカットキューの削除
• Authors: Chao Wang, Yue Zheng, Yujing Zhang, Yan Feng, Zhe Wang, Xiaowei Shi, An You, Yu Chen,
• Abstract要約: シングルスロットレコメンデーションシステムでは、ユーザは一度に1つのアイテムにのみ露出し、複数のアイテムに対して同時にユーザフィードバックを収集することはできない。 本稿では、ユーザ表現クラスタリングの補助タスクと、クラスタ固有の選好モデリングのためのマルチトウア構造を統合したBreakerモデルを提案する。 すでにデプロイされており、Meituanでは毎日数千万人のユーザーが利用している。
• 参考スコア（独自算出の注目度）: 20.933282101797214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In a single-slot recommendation system, users are only exposed to one item at a time, and the system cannot collect user feedback on multiple items simultaneously. Therefore, only pointwise modeling solutions can be adopted, focusing solely on modeling the likelihood of clicks or conversions for items by users to learn user-item preferences, without the ability to capture the ranking information among different items directly. However, since user-side information is often much more abundant than item-side information, the model can quickly learn the differences in user intrinsic tendencies, which are independent of the items they are exposed to. This can cause these intrinsic tendencies to become a shortcut bias for the model, leading to insufficient mining of the most concerned user-item preferences. To solve this challenge, we introduce the Breaker model. Breaker integrates an auxiliary task of user representation clustering with a multi-tower structure for cluster-specific preference modeling. By clustering user representations, we ensure that users within each cluster exhibit similar characteristics, which increases the complexity of the pointwise recommendation task on the user side. This forces the multi-tower structure with cluster-driven parameter learning to better model user-item preferences, ultimately eliminating shortcut biases related to user intrinsic tendencies. In terms of training, we propose a delayed parameter update mechanism to enhance training stability and convergence, enabling end-to-end joint training of the auxiliary clustering and classification tasks. Both offline and online experiments demonstrate that our method surpasses the baselines. It has already been deployed and is actively serving tens of millions of users daily on Meituan, one of the most popular e-commerce platforms for services.
• Abstract（参考訳）: シングルスロットレコメンデーションシステムでは、ユーザは一度に1つのアイテムにのみ露出し、複数のアイテムに対して同時にユーザフィードバックを収集することはできない。 そのため、各項目間のランキング情報を直接取得することなく、ユーザが好みを学習するクリックや変換の可能性をモデル化することに集中して、ポイントワイズ・モデリング・ソリューションのみを採用することができる。 しかし,ユーザ側情報の方がアイテム側情報よりもはるかに豊富な場合が多いため,ユーザ固有の傾向の違いを素早く学習することができる。 これにより、これらの本質的な傾向がモデルのショートカットバイアスとなり、最も関係のあるユーザ・イテムの選好のマイニングが不十分になる可能性がある。 この問題を解決するために、Breakerモデルを紹介します。 Breakerは、ユーザ表現クラスタリングの補助タスクと、クラスタ固有の選好モデリングのためのマルチトワー構造を統合する。 ユーザ表現をクラスタ化することにより、各クラスタ内のユーザが同様の特性を示し、ユーザ側のポイントワイドレコメンデーションタスクの複雑さを増大させる。 これにより、クラスタ駆動のパラメータ学習によるマルチトワー構造は、ユーザ-イテムの嗜好をモデル化し、最終的には、ユーザ固有の傾向に関連するショートカットバイアスを排除します。 本稿では,訓練の安定性と収束性を高めるためのパラメータ更新機構を提案し,補助クラスタリングと分類タスクのエンドツーエンド共同トレーニングを可能にする。 オフライン実験とオンライン実験の両方で,本手法がベースラインを超えていることが実証された。 すでにデプロイされており、Meituanでは毎日数千万人のユーザーが利用している。

関連論文リスト

• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Recurrent Early Exits for Federated Learning with Heterogeneous Clients [22.429334632124817]
  フェデレーテッド・ラーニング(FL)は、プライバシを保存する方法で、複数のクライアントにまたがるモデルの分散学習を可能にした。 FLの主な課題の1つは、クライアントに様々なハードウェア能力を持たせることである。 本稿では,異なるサブモデルの特徴を1つの共有分類器に融合するReeFLという早期終了手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T17:01:53Z)
• Pre-trained Neural Recommenders: A Transferable Zero-Shot Framework for Recommendation Systems [5.597511654202054]
  両部間相互作用グラフからノードとエッジのユニバーサル(ユーザやアイテムの補助情報なしでゼロショット適応をサポートする)表現を学習する方法を示す。
  論文  参考訳（メタデータ） (2023-09-03T14:18:31Z)
• ClusterSeq: Enhancing Sequential Recommender Systems with Clustering based Meta-Learning [3.168790535780547]
  ClusterSeqはメタラーニングクラスタリングに基づくシーケンスレコメンダシステムである。 ユーザシーケンスの動的情報を利用して、サイド情報がない場合でもアイテム予測精度を高める。 提案手法は平均相反ランク(MRR)において16～39%の大幅な改善を実現する。
  論文  参考訳（メタデータ） (2023-07-25T18:53:24Z)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Mixture of Virtual-Kernel Experts for Multi-Objective User Profile Modeling [9.639497198579257]
  ディープラーニングは、歴史的行動からユーザの好みを記述するために、表現力のあるタグをマイニングするために広く使用されている。 従来のソリューションは通常、異なるアクションからタグをマイニングするために複数の独立したTwo-Towerモデルを導入します。 本稿では,Mixture of Virtual- Kernel Experts (MVKE) と呼ばれる新しいマルチタスクモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-04T07:52:52Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pinterest [54.56236567783225]
  PinnerSageはエンド・ツー・エンドのレコメンデーションシステムで、マルチモーダル・埋め込みを通じて各ユーザーを表現する。 オフラインおよびオンラインA/B実験を複数実施し,本手法が単一埋め込み法より有意に優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-07T17:13:20Z)
• Multi-Center Federated Learning [62.57229809407692]
  本稿では,フェデレート学習のための新しい多中心集約機構を提案する。 非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。 ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-03T09:14:31Z)

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。