論文の概要: Pyramid Mixer: Multi-dimensional Multi-period Interest Modeling for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2506.16942v1
• Date: Fri, 20 Jun 2025 12:11:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.439553
• Title: Pyramid Mixer: Multi-dimensional Multi-period Interest Modeling for Sequential Recommendation
• Title（参考訳）: ピラミッドミキサー-シークエンシャルレコメンデーションのための多次元多周期興味モデリング
• Authors: Zhen Gong, Zhifang Fan, Hui Lu, Qiwei Chen, Chenbin Zhang, Lin Guan, Yuchao Zheng, Feng Zhang, Xiao Yang, Zuotao Liu,
• Abstract要約: 本稿では,ユーザ興味の効率的かつ完全なモデリングを実現するために,新しいシーケンシャルレコメンデーションモデルであるPraamid Mixerを提案する。 本手法は,クロスビヘイビアおよびクロスファインユーザシーケンスモデリングにより,包括的ユーザ興味を学習する。 Pyramid Mixerは産業用プラットフォームへのデプロイに成功し、そのスケーラビリティと実世界のアプリケーションへの影響を実証している。
• 参考スコア（独自算出の注目度）: 14.759305202623283
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Sequential recommendation, a critical task in recommendation systems, predicts the next user action based on the understanding of the user's historical behaviors. Conventional studies mainly focus on cross-behavior modeling with self-attention based methods while neglecting comprehensive user interest modeling for more dimensions. In this study, we propose a novel sequential recommendation model, Pyramid Mixer, which leverages the MLP-Mixer architecture to achieve efficient and complete modeling of user interests. Our method learns comprehensive user interests via cross-behavior and cross-feature user sequence modeling. The mixer layers are stacked in a pyramid way for cross-period user temporal interest learning. Through extensive offline and online experiments, we demonstrate the effectiveness and efficiency of our method, and we obtain a +0.106% improvement in user stay duration and a +0.0113% increase in user active days in the online A/B test. The Pyramid Mixer has been successfully deployed on the industrial platform, demonstrating its scalability and impact in real-world applications.
• Abstract（参考訳）: 推薦システムにおける重要な課題である逐次推薦は,ユーザの履歴行動の理解に基づいて,次のユーザの行動を予測する。 従来の研究では、より広い次元の包括的なユーザ関心モデリングを無視しながら、自己意識に基づく手法によるクロス行動モデリングに重点を置いている。 本研究では,MLP-Mixerアーキテクチャを活用し,ユーザ興味の効率的かつ完全なモデリングを実現するための,新しいシーケンシャルレコメンデーションモデルであるPraamid Mixerを提案する。 本手法は,クロスビヘイビアおよびクロスファインユーザシーケンスモデリングにより,包括的ユーザ興味を学習する。 ミキサー層は、クロス周期の時間的関心学習のためにピラミッド状に積み上げられる。 大規模なオフラインおよびオンライン実験を通じて、本手法の有効性と効率を実証し、オンラインA/Bテストにおいて、ユーザ滞在時間が+0.106%改善し、+0.0113%向上した。 Pyramid Mixerは産業用プラットフォームへのデプロイに成功し、そのスケーラビリティと実世界のアプリケーションへの影響を実証している。

関連論文リスト

• Hierarchical Tree Search-based User Lifelong Behavior Modeling on Large Language Model [20.79990807882704]
  階層木探索に基づくユーザ寿命行動モデリングフレームワーク(HiT-LBM)を提案する。 HiT-LBMは、Chunked User Behavior extract (CUBE)とHierarchical Tree Search for Interest (HTS)を統合して、ユーザの多様な関心と関心の進化を捉える。 我々はまた、複数の行動チャンクから利益を統合するために、時間-水間関心融合(TIF)を設計し、ユーザー生涯の関心の包括的表現を構築した。
  論文  参考訳（メタデータ） (2025-05-26T04:32:57Z)
• Diffusion Model for Interest Refinement in Multi-Interest Recommendation [7.316749850804638]
  Diffusion Multi-Interest Model (DMI) は、ディメンションレベルでのユーザ関心表現を洗練するための新しいフレームワークである。 DMIは現実世界のレコメンデーションシステムにうまくデプロイし、毎日数億人のアクティブユーザの大きなトラフィックを提供する。
  論文  参考訳（メタデータ） (2025-02-08T13:20:13Z)
• 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)
• TransAct: Transformer-based Realtime User Action Model for Recommendation at Pinterest [17.247452803197362]
  本稿では、PinterestのHomefeedランキングアーキテクチャについて述べる。 本研究では,リアルタイム活動からユーザの短期的嗜好を抽出するシーケンシャルモデルであるTransActを提案する。 本稿では, アブレーション研究の結果, 生産時の課題, オンラインA/B実験の結果について述べる。
  論文  参考訳（メタデータ） (2023-05-31T23:45:29Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Learning User Representations with Hypercuboids for Recommender Systems [26.80987554753327]
  我々のモデルは、空間内の一点ではなく、超立方体としてユーザーの興味を明示的にモデル化する。 ユーザの興味の多様性を捉える能力を高めるために,2種類のハイパークボイドを提案する。 また、ユーザのアクティビティシーケンス(例えば、購入とレート)をキャプチャすることで、ユーザの超立方体学習を促進するために、ニューラルアーキテクチャも提案されている。
  論文  参考訳（メタデータ） (2020-11-11T12:50:00Z)

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。