論文の概要: AliBoost: Ecological Boosting Framework in Alibaba Platform

• arxiv url: http://arxiv.org/abs/2506.00954v1
• Date: Sun, 01 Jun 2025 10:56:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 04:22:50.692944
• Title: AliBoost: Ecological Boosting Framework in Alibaba Platform
• Title（参考訳）: AliBoost:Alibabaプラットフォームのエコロジーブースティングフレームワーク
• Authors: Qijie Shen, Yuanchen Bei, Zihong Huang, Jialin Zhu, Keqin Xu, Boya Du, Jiawei Tang, Yuning Jiang, Feiran Huang, Xiao Huang, Hao Chen,
• Abstract要約: AliBoostは、ユーザ指向の自然なレコメンデーションを補完するために設計されたエコロジー強化フレームワークである。 AliBoostは10億以上の新しいアイテムをコールドスタートし、180日以内にクリックとGMVの両方のコールドアイテムを60%以上増やした。
• 参考スコア（独自算出の注目度）: 22.553783516787185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maintaining a healthy ecosystem in billion-scale online platforms is challenging, as users naturally gravitate toward popular items, leaving cold and less-explored items behind. This ''rich-get-richer'' phenomenon hinders the growth of potentially valuable cold items and harms the platform's ecosystem. Existing cold-start models primarily focus on improving initial recommendation performance for cold items but fail to address users' natural preference for popular content. In this paper, we introduce AliBoost, Alibaba's ecological boosting framework, designed to complement user-oriented natural recommendations and foster a healthier ecosystem. AliBoost incorporates a tiered boosting structure and boosting principles to ensure high-potential items quickly gain exposure while minimizing disruption to low-potential items. To achieve this, we propose the Stacking Fine-Tuning Cold Predictor to enhance the foundation CTR model's performance on cold items for accurate CTR and potential prediction. AliBoost then employs an Item-oriented Bidding Boosting mechanism to deliver cold items to the most suitable users while balancing boosting speed with user-personalized preferences. Over the past six months, AliBoost has been deployed across Alibaba's mainstream platforms, successfully cold-starting over a billion new items and increasing both clicks and GMV of cold items by over 60% within 180 days. Extensive online analysis and A/B testing demonstrate the effectiveness of AliBoost in addressing ecological challenges, offering new insights into the design of billion-scale recommender systems.
• Abstract（参考訳）: 何十億ものオンラインプラットフォームで健全なエコシステムを維持することは難しい。 この 'rich-get-richer' 現象は、潜在的に価値のあるコールドアイテムの成長を妨げ、プラットフォームのエコシステムを損なう。 既存のコールドスタートモデルは、主にコールドアイテムの初期レコメンデーションパフォーマンスの改善に重点を置いているが、人気コンテンツに対するユーザの自然な好みに対処することができない。 本稿では,Alibabaのエコロジー促進フレームワークであるAliBoostを紹介する。 AliBoostは、階層化されたブースティング構造と原則を取り入れ、低ポテンシャルアイテムの破壊を最小限に抑えながら、高ポテンシャルアイテムが迅速に露出されることを保証する。 そこで本研究では,寒冷品に対する基礎的CTRモデルの性能を向上し,CTRの精度向上と予測可能性を高めるため,スタックングファインチューニング型コールド予測器を提案する。 次に、AliBoostはアイテム指向のバイディングブースティングメカニズムを使用して、コールドアイテムを最も適したユーザに配信すると同時に、ユーザ個人の好みに合わせて高速化速度をバランスさせる。 過去6ヶ月にわたって、AliBoostはAlibabaのメインストリームプラットフォームにデプロイされ、10億以上の新しいアイテムをコールドスタートし、180日以内にクリックとGMVの両方のコールドアイテムを60%以上増やすことに成功した。 大規模なオンライン分析とA/Bテストは、環境問題に対処する上でAliBoostの有効性を示し、数十億規模のレコメンデータシステムの設計に関する新たな洞察を提供する。

関連論文リスト

• Enhancing New-item Fairness in Dynamic Recommender Systems [12.775131956942962]
  新しいイテムは、新鮮で魅力的なユーザエクスペリエンスを提供するためのレコメンデータシステム(RS)において重要な役割を担います。 従来の方法では、露光時間と限られた相互作用記録のために、新しいイテムを効果的に推奨するのに苦労している。 本稿では, 強化学習(RL)を基盤とした, DRS用に特別に設計された新しいアイテムフェアネス向上フレームワークであるFairAgentを提案する。
  論文  参考訳（メタデータ） (2025-04-30T06:49:36Z)
• Prompt Tuning for Item Cold-start Recommendation [21.073232866618554]
  コールドスタートフェーズの成功は、アイテムが人気のあるものに移行できるかどうかを決定するため、オンラインレコメンデーションシステムにとって、アイテムコールドスタート問題は不可欠である。 自然言語処理(NLP)においてゼロまたは少数ショット問題に対処するために使用される強力なテクニックであるPrompt Learningは、同様の課題に対処するための推奨システムに適応している。 本稿では,この2つの問題を同時に解決するために,高価値な正のフィードバック(ピンナクルフィードバック)をプロンプト情報として活用することを提案する。
  論文  参考訳（メタデータ） (2024-12-24T01:38:19Z)
• Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning [14.83192161148111]
  本稿では,Popularity-Aware Meta-learning (PAM) と呼ばれるモデルに依存しない推薦アルゴリズムを提案する。 PAMは、入力データを予め定義されたアイテム人気閾値によって異なるメタ学習タスクに分割する。 それぞれのタスクにおいて、異なる人気レベルにおける異なる役割に基づいて、行動関連およびコンテンツ関連の特徴を識別し、再重み付けすることができる。
  論文  参考訳（メタデータ） (2024-11-18T01:30:34Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• Boosting AND/OR-Based Computational Protein Design: Dynamic Heuristics and Generalizable UFO [62.478906530719385]
  新しい再設計アルゴリズムであるAOBB-K*が導入され、小さなタンパク質の再設計問題に対して最先端のBBK*と競合した。 この作業では、AOBB-K*のスケールアップに注力し、AOBB-K*-b (boosted)、AOBB-K*-DH (dynamics)、AOBB-K*-UFO ( underflow optimization)の3つの新しいバージョンを導入しました。
  論文  参考訳（メタデータ） (2023-08-31T06:45:01Z)
• 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)
• PipAttack: Poisoning Federated Recommender Systems forManipulating Item Promotion [58.870444954499014]
  一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。 本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T06:48:35Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Personalized Embedding-based e-Commerce Recommendations at eBay [3.1236273633321416]
  電子商取引市場において,同じベクトル空間にアイテムやユーザを埋め込むことで,パーソナライズされたアイテムレコメンデーションを生成するアプローチを提案する。 データアブレーションは、生産システムの堅牢性を改善するために、オフラインモデルのトレーニングプロセスに組み込まれます。
  論文  参考訳（メタデータ） (2021-02-11T17:58:51Z)

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。