論文の概要: Optimizing Recall or Relevance? A Multi-Task Multi-Head Approach for Item-to-Item Retrieval in Recommendation

• arxiv url: http://arxiv.org/abs/2506.06239v1
• Date: Fri, 06 Jun 2025 17:00:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.560767
• Title: Optimizing Recall or Relevance? A Multi-Task Multi-Head Approach for Item-to-Item Retrieval in Recommendation
• Title（参考訳）: リコールの最適化と関連性 : 推薦項目検索のためのマルチタスクマルチヘッドアプローチ
• Authors: Jiang Zhang, Sumit Kumar, Wei Chang, Yubo Wang, Feng Zhang, Weize Mao, Hanchao Yu, Aashu Singh, Min Li, Qifan Wang,
• Abstract要約: 本稿では,ハイリコールとセマンティック関連性を両立するマルチタスクとマルチヘッドI2I検索モデルを提案する。 MTMHは数十億のユーザを対象とする商用プラットフォームのプロプライエタリなデータを用いて評価し、リコールを最大14.4%改善し、セマンティック関連性を最大56.6%向上させることができることを示した。
• 参考スコア（独自算出の注目度）: 23.61568268070558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of item-to-item (I2I) retrieval is to identify a set of relevant and highly engaging items based on a given trigger item. It is a crucial component in modern recommendation systems, where users' previously engaged items serve as trigger items to retrieve relevant content for future engagement. However, existing I2I retrieval models in industry are primarily built on co-engagement data and optimized using the recall measure, which overly emphasizes co-engagement patterns while failing to capture semantic relevance. This often leads to overfitting short-term co-engagement trends at the expense of long-term benefits such as discovering novel interests and promoting content diversity. To address this challenge, we propose MTMH, a Multi-Task and Multi-Head I2I retrieval model that achieves both high recall and semantic relevance. Our model consists of two key components: 1) a multi-task learning loss for formally optimizing the trade-off between recall and semantic relevance, and 2) a multi-head I2I retrieval architecture for retrieving both highly co-engaged and semantically relevant items. We evaluate MTMH using proprietary data from a commercial platform serving billions of users and demonstrate that it can improve recall by up to 14.4% and semantic relevance by up to 56.6% compared with prior state-of-the-art models. We also conduct live experiments to verify that MTMH can enhance both short-term consumption metrics and long-term user-experience-related metrics. Our work provides a principled approach for jointly optimizing I2I recall and semantic relevance, which has significant implications for improving the overall performance of recommendation systems.
• Abstract（参考訳）: アイテム・ツー・イテム(I2I)検索のタスクは、所定のトリガ項目に基づいて関連性の高いアイテムのセットを識別することである。 これは、ユーザが以前関与していたアイテムが、将来のエンゲージメントのために関連コンテンツを検索するためのトリガーアイテムとして機能する、現代のレコメンデーションシステムにおいて重要な要素である。 しかし、産業における既存のI2I検索モデルは、主にコエンゲージメントデータに基づいて構築され、リコール尺度を用いて最適化されている。 これはしばしば、新しい関心の発見やコンテンツの多様性の促進といった長期的な利益を犠牲にして、短期的なコエンゲージメントの傾向を過度に反映させる。 この課題に対処するため、我々はMTMH(Multi-Task and Multi-Head I2I search model)を提案する。 私たちのモデルは2つの重要なコンポーネントで構成されています。 1)リコールと意味的関連性のトレードオフを形式的に最適化するマルチタスク学習損失 2)多面的I2I検索アーキテクチャにより,多面的および多面的関連項目の検索が可能となる。 我々は、数十億のユーザを提供する商用プラットフォームのプロプライエタリデータを用いてMDMHを評価し、従来の最先端モデルと比較して最大14.4%、セマンティック関連性を最大56.6%改善できることを実証した。 また,MTMHが短期消費の指標と長期ユーザー体験の指標の両方を増強できることを示すライブ実験を行った。 我々の研究は、I2Iリコールとセマンティック関連性を協調的に最適化するための原則的なアプローチを提供し、レコメンデーションシステム全体の性能向上に重要な意味を持つ。

関連論文リスト

• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• Automated Query-Product Relevance Labeling using Large Language Models for E-commerce Search [3.392843594990172]
  クエリとプロダクトのペアをアノテートするための従来のアプローチは、人間ベースのラベリングサービスに依存している。 本研究では,Large Language Models (LLMs) が,人間ラベル作成者に必要な時間とコストのごく一部で,このタスクにおける人間レベルの精度にアプローチ可能であることを示す。 この拡張性のある人間のアノテーションの代替は、情報検索領域に重大な影響を及ぼす。
  論文  参考訳（メタデータ） (2025-02-21T22:59:36Z)
• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• Dual-Gated Fusion with Prefix-Tuning for Multi-Modal Relation Extraction [13.454953507205278]
  マルチモーダル関係抽出は、視覚的手がかりを含むテキスト中の2つの実体間の関係を特定することを目的としている。 本稿では,テキスト,エンティティペア,画像/オブジェクトのより深い相関関係をよりよく捉えるための新しいMMREフレームワークを提案する。 本手法は, 少数の状況においても, 強力な競合相手と比較して優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-19T15:31:34Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
  本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。 新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。 また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
  論文  参考訳（メタデータ） (2022-02-01T06:52:40Z)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。