論文の概要: TransAct V2: Lifelong User Action Sequence Modeling on Pinterest Recommendation

• arxiv url: http://arxiv.org/abs/2506.02267v1
• Date: Mon, 02 Jun 2025 21:15:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.088673
• Title: TransAct V2: Lifelong User Action Sequence Modeling on Pinterest Recommendation
• Title（参考訳）: TransAct V2:Pinterestレコメンデーションによる生涯のユーザアクションシーケンスモデリング
• Authors: Xue Xia, Saurabh Vishwas Joshi, Kousik Rajesh, Kangnan Li, Yangyi Lu, Nikil Pancha, Dhruvil Deven Badani, Jiajing Xu, Pong Eksombatchai,
• Abstract要約: 本稿では,PinterestのHomefeedランキングシステムの生産モデルであるTransAct V2を紹介する。 1) CTR予測を改善するために非常に長いユーザシーケンスを活用すること、2) ユーザアクション予測を改善するためにNext Action Loss関数を統合すること、3) 拡張されたユーザアクションシーケンスの計算要求を処理するように調整されたスケーラブルで低レイテンシなデプロイメントソリューションを採用すること、である。
• 参考スコア（独自算出の注目度）: 6.683452225202682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling user action sequences has become a popular focus in industrial recommendation system research, particularly for Click-Through Rate (CTR) prediction tasks. However, industry-scale CTR models often rely on short user sequences, limiting their ability to capture long-term behavior. Additionally, these models typically lack an integrated action-prediction task within a point-wise ranking framework, reducing their predictive power. They also rarely address the infrastructure challenges involved in efficiently serving large-scale sequential models. In this paper, we introduce TransAct V2, a production model for Pinterest's Homefeed ranking system, featuring three key innovations: (1) leveraging very long user sequences to improve CTR predictions, (2) integrating a Next Action Loss function for enhanced user action forecasting, and (3) employing scalable, low-latency deployment solutions tailored to handle the computational demands of extended user action sequences.
• Abstract（参考訳）: ユーザアクションシーケンスのモデル化は,特にクリックスルーレート(CTR)予測タスクにおいて,産業レコメンデーションシステム研究において注目されている。 しかし、業界規模のCTRモデルは、しばしば短いユーザシーケンスに依存し、長期的な振る舞いをキャプチャする能力を制限する。 さらに、これらのモデルには通常、ポイントワイドランキングフレームワークに統合されたアクション予測タスクがなく、予測能力が低下する。 また、大規模なシーケンシャルモデルの効率的な提供に関わるインフラストラクチャの課題にも、ほとんど対処しない。 本稿では,PinterestのHomefeedランキングシステムの生産モデルであるTransAct V2を紹介し,(1)CTR予測を改善するために非常に長いユーザシーケンスを活用すること,(2)拡張されたユーザアクション予測のためのNext Action Loss関数を統合すること,(3)拡張されたユーザアクションシーケンスの計算要求を処理するように調整されたスケーラブルで低レイテンシなデプロイメントソリューションを活用すること,の3つの重要なイノベーションを紹介する。

関連論文リスト

• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Behavior-Dependent Linear Recurrent Units for Efficient Sequential Recommendation [18.75561256311228]
  RecBLRは、振舞い依存リニアリカレントユニットに基づく効率的なシークエンシャルレコメンデーションモデルである。 本モデルは,ユーザの行動モデリングとレコメンデーション性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-06-18T13:06:58Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• ASFormer: Transformer for Action Segmentation [9.509416095106493]
  本稿では,アクションセグメンテーションタスクのための効率的なトランスフォーマーベースモデルASFormerを提案する。 信頼された範囲内で仮説空間を制約し、アクションセグメンテーションタスクが小さなトレーニングセットで適切なターゲット関数を学習するのに有益である。 我々は、長い入力シーケンスを効率的に処理する事前定義された階層表現パターンを適用した。
  論文  参考訳（メタデータ） (2021-10-16T13:07:20Z)

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。