論文の概要: Hierarchical Group-wise Ranking Framework for Recommendation Models

• arxiv url: http://arxiv.org/abs/2506.12756v1
• Date: Sun, 15 Jun 2025 07:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.804301
• Title: Hierarchical Group-wise Ranking Framework for Recommendation Models
• Title（参考訳）: 推薦モデルのための階層型グループワイドランキングフレームワーク
• Authors: YaChen Yan, Liubo Li, Ravi Choudhary,
• Abstract要約: CTR/CVRモデルは、アイテムのランク付け品質を改善するために、ランク付けの目的でますます訓練されている。 現在の方法はバッチ内の負のサンプリングに頼っている。 本稿では,2つのキーコンポーネントを持つ階層型グループワイドランキングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In modern recommender systems, CTR/CVR models are increasingly trained with ranking objectives to improve item ranking quality. While this shift aligns training more closely with serving goals, most existing methods rely on in-batch negative sampling, which predominantly surfaces easy negatives. This limits the model's ability to capture fine-grained user preferences and weakens overall ranking performance. To address this, we propose a Hierarchical Group-wise Ranking Framework with two key components. First, we apply residual vector quantization to user embeddings to generate hierarchical user codes that partition users into hierarchical, trie-structured clusters. Second, we apply listwise ranking losses to user-item pairs at each level of the hierarchy, where shallow levels group loosely similar users and deeper levels group highly similar users, reinforcing learning-to-rank signals through progressively harder negatives. Since users with similar preferences and content exposure tend to yield more informative negatives, applying ranking losses within these hierarchical user groups serves as an effective approximation of hard negative mining. Our approach improves ranking performance without requiring complex real-time context collection or retrieval infrastructure. Extensive experiments demonstrate that the proposed framework consistently enhances both model calibration and ranking accuracy, offering a scalable and practical solution for industrial recommender systems.
• Abstract（参考訳）: 現代のレコメンデーションシステムでは、CTR/CVRモデルは、アイテムのランク付け品質を改善するために、ランク付けの目的によってますます訓練されている。 このシフトはトレーニングをサービス目標とより密接に整合させるが、既存のほとんどの手法はバッチ内のネガティブサンプリングに依存しており、これは主に簡単なネガティブを表面化する。 これにより、モデルがきめ細かいユーザの好みを捉え、全体的なランキングパフォーマンスを弱める能力を制限する。 これを解決するために,2つの重要なコンポーネントを持つ階層型グループワイドランキングフレームワークを提案する。 まず、ユーザ埋め込みに残差ベクトル量子化を適用し、ユーザを階層的三重構造クラスタに分割する階層的ユーザコードを生成する。 第2に、階層の各レベルにおいて、浅いレベルがゆるやかに類似しているユーザと深いレベルが非常に類似しているユーザに対して、リストワイズランキングの損失を適用し、学習からランクへのシグナルを徐々に強めている。 類似した嗜好とコンテンツ露出を持つユーザーは、より情報的なネガティブをもたらす傾向にあるため、これらの階層的ユーザグループにランキング損失を適用することは、ハードネガティブマイニングの効果的な近似となる。 提案手法は,複雑なリアルタイムコンテキスト収集や検索インフラを必要とせずに,ランキング性能を向上させる。 大規模な実験により,提案フレームワークはモデルキャリブレーションとランキング精度を一貫して向上させ,産業レコメンデータシステムにスケーラブルで実用的なソリューションを提供することを示した。

関連論文リスト

• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
  我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。 階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。 その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
  論文  参考訳（メタデータ） (2024-09-11T17:01:06Z)
• Expert with Clustering: Hierarchical Online Preference Learning Framework [4.05836962263239]
  Expert with Clustering (EWC)は、クラスタリングのテクニックと予測を専門家のアドバイスと統合した階層的なコンテキスト的バンディットフレームワークである。 EWCはLinUCBベースラインと比較して後悔を27.57%減らすことができる。
  論文  参考訳（メタデータ） (2024-01-26T18:44:49Z)
• Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
  本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。 xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。 提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
  論文  参考訳（メタデータ） (2023-07-27T07:42:44Z)
• 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)
• Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
  アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。 本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。 パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
  論文  参考訳（メタデータ） (2021-11-25T06:04:59Z)
• Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons [85.5955376526419]
  ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。 本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。 提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
  論文  参考訳（メタデータ） (2021-10-08T13:51:55Z)
• Learning over no-Preferred and Preferred Sequence of items for Robust Recommendation [66.8722561224499]
  暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。 本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
  論文  参考訳（メタデータ） (2020-12-12T22:10:15Z)
• 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)

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。