論文の概要: Balancing Semantic Relevance and Engagement in Related Video Recommendations
- arxiv url: http://arxiv.org/abs/2507.09403v1
- Date: Sat, 12 Jul 2025 21:04:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:23.152013
- Title: Balancing Semantic Relevance and Engagement in Related Video Recommendations
- Title(参考訳): 関連ビデオレコメンデーションにおける意味的妥当性とエンゲージメントのバランス
- Authors: Amit Jaspal, Feng Zhang, Wei Chang, Sumit Kumar, Yubo Wang, Roni Mittleman, Qifan Wang, Weize Mao,
- Abstract要約: 関連ビデオレコメンデーションでは、協調フィルタリング(CF)をコエンゲージメント信号で駆動するのが一般的である。
本稿では,意味的関連性とユーザエンゲージメントのバランスをとるために,新しい多目的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): 21.2575040646784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Related video recommendations commonly use collaborative filtering (CF) driven by co-engagement signals, often resulting in recommendations lacking semantic coherence and exhibiting strong popularity bias. This paper introduces a novel multi-objective retrieval framework, enhancing standard two-tower models to explicitly balance semantic relevance and user engagement. Our approach uniquely combines: (a) multi-task learning (MTL) to jointly optimize co-engagement and semantic relevance, explicitly prioritizing topical coherence; (b) fusion of multimodal content features (textual and visual embeddings) for richer semantic understanding; and (c) off-policy correction (OPC) via inverse propensity weighting to effectively mitigate popularity bias. Evaluation on industrial-scale data and a two-week live A/B test reveals our framework's efficacy. We observed significant improvements in semantic relevance (from 51% to 63% topic match rate), a reduction in popular item distribution (-13.8% popular video recommendations), and a +0.04% improvement in our topline user engagement metric. Our method successfully achieves better semantic coherence, balanced engagement, and practical scalability for real-world deployment.
- Abstract(参考訳): 関連ビデオレコメンデーションは、コラボレーティブ・フィルタリング(CF)をコラボレーティブ・シグナルによって駆動し、しばしばセマンティック・コヒーレンスを欠いたレコメンデーションとなり、強い人気バイアスを示す。
本稿では,セマンティックな関連性とユーザエンゲージメントを明確にバランスさせるために,標準的な2towerモデルを強化した新しい多目的検索フレームワークを提案する。
私たちのアプローチは、次のように一意に結合します。
(a)マルチタスク学習(MTL)は、協調と意味的関連性を共同で最適化し、トピックの一貫性を明確に優先順位付けする。
b)より豊かな意味理解のためのマルチモーダルコンテンツ特徴(テキストおよび視覚的埋め込み)の融合
(c)逆相対性重み付けによる政治外修正(OPC)は、人気バイアスを効果的に軽減する。
産業規模データの評価と2週間のライブA/Bテストにより,本フレームワークの有効性が明らかとなった。
その結果、セマンティック関連性(トピックマッチレート51%から63%)の大幅な改善、人気のアイテム配信の削減(-13.8%の人気ビデオレコメンデーション)、およびトップラインユーザエンゲージメント指標の+0.04%の改善が見られた。
本手法は, 実世界の展開において, セマンティック・コヒーレンス, バランスの取れたエンゲージメント, 実用的なスケーラビリティを実現する。
関連論文リスト
- Semantic Retrieval Augmented Contrastive Learning for Sequential Recommendation [17.18176550968383]
本稿では,SRA-CL(Semantic Retrieval Augmented Contrastive Learning)という手法を提案する。
SRA-CLは、(1)大規模言語モデル(LLM)を利用して多様なユーザの嗜好を理解し、意味的に類似したユーザを検索して、学習可能なサンプル手法で信頼性の高い正のサンプルを作成する、(2) LLMを使ってアイテムを理解し、類似したアイテムを検索する、アイテムセマンティック検索という2つの主要コンポーネントから構成される。
論文 参考訳(メタデータ) (2025-03-06T07:25:19Z) - Multi-Channel Hypergraph Contrastive Learning for Matrix Completion [35.98355220028173]
グラフニューラルネットワーク(GNN)は、行列補完において広く使われており、アイテムよりもユーザの好みを捉えている。
行列補完のためのマルチチャネルハイパーグラフコントラスト学習フレームワーク MHCL を提案する。
5つの公開データセットの実験により、提案手法が現在の最先端手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2024-11-02T22:59:36Z) - Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。
本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-10-09T04:20:15Z) - Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。
目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。
DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
論文 参考訳(メタデータ) (2024-08-14T11:29:47Z) - Semantic-Enhanced Relational Metric Learning for Recommender Systems [27.330164862413184]
近年,知識グラフの翻訳機構に触発された推薦コミュニティにおいて,計量学習手法が注目されている。
本稿では,推薦システムにおける問題に対処するためのセマンティック拡張メトリックラーニングフレームワークを提案する。
具体的には、まず、豊富な特徴とパーソナライズされたユーザー嗜好を含む対象レビューから意味信号を抽出する。
次に、抽出した意味信号を利用して、新しい回帰モデルを設計し、元の関係に基づくトレーニングプロセスの識別能力を向上させる。
論文 参考訳(メタデータ) (2024-06-07T11:54:50Z) - Adaptive Contrastive Learning on Multimodal Transformer for Review
Helpfulness Predictions [40.70793282367128]
本稿では,MRHP(Multimodal Review Helpfulness Prediction)問題に対するマルチモーダルコントラスト学習を提案する。
さらに,コントラスト学習における適応重み付け方式を提案する。
最後に,マルチモーダルデータの不整合性に対処するマルチモーダルインタラクションモジュールを提案する。
論文 参考訳(メタデータ) (2022-11-07T13:05:56Z) - Choosing the Best of Both Worlds: Diverse and Novel Recommendations
through Multi-Objective Reinforcement Learning [68.45370492516531]
本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。
SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。
実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
論文 参考訳(メタデータ) (2021-10-28T13:22:45Z)
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。