論文の概要: Synergizing Implicit and Explicit User Interests: A Multi-Embedding Retrieval Framework at Pinterest

• arxiv url: http://arxiv.org/abs/2506.23060v1
• Date: Sun, 29 Jun 2025 02:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.696326
• Title: Synergizing Implicit and Explicit User Interests: A Multi-Embedding Retrieval Framework at Pinterest
• Title（参考訳）: インクルーシットと明示的なユーザ関心の相乗効果 - Pinterestのマルチエンベッド型検索フレームワーク
• Authors: Zhibo Fan, Hongtao Lin, Haoyu Chen, Bowen Deng, Hedi Xia, Yuke Yan, James Li,
• Abstract要約: 検索ステージは、候補項目のハイリコールセットを生成する上で重要な役割を果たす。 従来の2-towerモデルは、ユーザとイテムの機能相互作用が限られているため、この点において苦労する。 ユーザの興味を表現できる新しいマルチ埋め込み検索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）: 9.904093205817247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial recommendation systems are typically composed of multiple stages, including retrieval, ranking, and blending. The retrieval stage plays a critical role in generating a high-recall set of candidate items that covers a wide range of diverse user interests. Effectively covering the diverse and long-tail user interests within this stage poses a significant challenge: traditional two-tower models struggle in this regard due to limited user-item feature interaction and often bias towards top use cases. To address these issues, we propose a novel multi-embedding retrieval framework designed to enhance user interest representation by generating multiple user embeddings conditioned on both implicit and explicit user interests. Implicit interests are captured from user history through a Differentiable Clustering Module (DCM), whereas explicit interests, such as topics that the user has followed, are modeled via Conditional Retrieval (CR). These methodologies represent a form of conditioned user representation learning that involves condition representation construction and associating the target item with the relevant conditions. Synergizing implicit and explicit user interests serves as a complementary approach to achieve more effective and comprehensive candidate retrieval as they benefit on different user segments and extract conditions from different but supplementary sources. Extensive experiments and A/B testing reveal significant improvements in user engagements and feed diversity metrics. Our proposed framework has been successfully deployed on Pinterest home feed.
• Abstract（参考訳）: 産業レコメンデーションシステムは通常、検索、ランキング、ブレンディングを含む複数のステージで構成されている。 検索段階は、幅広い多様なユーザ関心をカバーした、ハイリコールの候補項目セットを生成する上で重要な役割を果たす。 従来の2-towerモデルは、ユーザとイテムの機能的な相互作用が限定的であり、多くの場合、トップユースケースに偏っているため、この点では苦労しています。 これらの課題に対処するために,暗黙的および明示的両方のユーザ興味を前提とした複数のユーザ埋め込みを生成することによって,ユーザ関心の表現を高めるために設計された,新しいマルチ埋め込み検索フレームワークを提案する。 暗黙の関心は、ユーザ履歴から微分可能なクラスタリングモジュール(DCM)を通じて捉えられるが、ユーザがフォローしたトピックのような明示的な関心は、条件付き検索(CR)を介してモデル化される。 これらの手法は,条件表現構築を伴う条件付きユーザ表現学習の形式を表現し,対象項目を関連する条件に関連付ける。 暗黙的かつ明示的なユーザ関心の相乗化は、異なるユーザセグメントの恩恵を受けながら、より効果的で包括的な候補検索を実現するための補完的なアプローチとして機能し、異なるが補足的なソースから条件を抽出する。 大規模な実験とA/Bテストにより、ユーザエンゲージメントとフィードの多様性の指標が大幅に改善された。 提案したフレームワークは、Pinterestのホームフィードにうまくデプロイされています。

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)
• Why Not Together? A Multiple-Round Recommender System for Queries and Items [37.709748983831034]
  推薦システムの基本的な技術は、ユーザの嗜好をモデル化することであり、クエリや項目がユーザ関心の象徴的な表現として広く使われている。 両タイプの相乗効果を生かしたMultiple-round Auto Guess-and-Update System(MAGUS)を提案する。
  論文  参考訳（メタデータ） (2024-12-14T10:49:00Z)
• 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)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• Everyone's Preference Changes Differently: Weighted Multi-Interest Retrieval Model [18.109035867113217]
  MIPモデル(Multi-Interest Preference)は、ユーザのシーケンシャルエンゲージメントをより効果的に利用することで、ユーザにとってマルチエンゲージメントを生み出すアプローチである。 本手法の有効性を実証するため,様々な産業規模のデータセットを用いて大規模な実験を行った。
  論文  参考訳（メタデータ） (2022-07-14T04:29:54Z)
• Multiple Interest and Fine Granularity Network for User Modeling [3.508126539399186]
  ユーザモデリングは、カスタマエクスペリエンスとビジネス収益の両方の観点から、マッチングステージとランキングステージの両方において、産業レコメンデータシステムにおいて、基本的な役割を果たす。 既存のディープラーニングベースのアプローチのほとんどは、アイテムIDとカテゴリIDを活用するが、色やメイトリアルのようなきめ細かい特徴は無視し、ユーザの興味の細かい粒度をモデル化するのを妨げる。 本稿では,ユーザの多目的・細粒度に対処する多目的・細粒度ネットワーク(MFN)を提案し,ユーザの多目的間の類似性関係と組み合わせ関係からモデルを構築した。
  論文  参考訳（メタデータ） (2021-12-05T15:12:08Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Diversity Regularized Interests Modeling for Recommender Systems [25.339169652217844]
  リコメンダーシステムのための多様性正規化利子モデリング(DRIM)の新しい方法を提案する。 ユーザの興味はある程度の差異を持つべきであり,複数のユーザ関心ベクトルを分離する多様性正規化セパレータとして,3つの戦略を導入する。
  論文  参考訳（メタデータ） (2021-03-23T09:10:37Z)

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。