論文の概要: Suggest, Complement, Inspire: Story of Two Tower Recommendations at Allegro.com

• arxiv url: http://arxiv.org/abs/2508.03702v1
• Date: Sat, 19 Jul 2025 19:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-10 09:30:49.330425
• Title: Suggest, Complement, Inspire: Story of Two Tower Recommendations at Allegro.com
• Title（参考訳）: Suggest, Complement, Inspire: Story of Two Tower Recommendations at Allegro.com
• Authors: Aleksandra Osowska-Kurczab, Klaudia Nazarko, Mateusz Marzec, Lidia Wojciechowska, Eliška Kremeňová,
• Abstract要約: 本稿では,欧州発祥の最大のeコマースプラットフォームであるAllegro.comに展開する,コンテンツベースの統一レコメンデーションシステムを提案する。 同じモデルアーキテクチャが3つの異なるレコメンデーションタスクにどのように適応できるかを示す。 この結果から,フレキシブルでスケーラブルなアーキテクチャは,メンテナンスのオーバーヘッドを最小限に抑えつつ,多様なユーザ意図に役立てることができることがわかった。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Building large-scale e-commerce recommendation systems requires addressing three key technical challenges: (1) designing a universal recommendation architecture across dozens of placements, (2) decreasing excessive maintenance costs, and (3) managing a highly dynamic product catalogue. This paper presents a unified content-based recommendation system deployed at Allegro.com, the largest e-commerce platform of European origin. The system is built on a prevalent Two Tower retrieval framework, representing products using textual and structured attributes, which enables efficient retrieval via Approximate Nearest Neighbour search. We demonstrate how the same model architecture can be adapted to serve three distinct recommendation tasks: similarity search, complementary product suggestions, and inspirational content discovery, by modifying only a handful of components in either the model or the serving logic. Extensive A/B testing over two years confirms significant gains in engagement and profit-based metrics across desktop and mobile app channels. Our results show that a flexible, scalable architecture can serve diverse user intents with minimal maintenance overhead.
• Abstract（参考訳）: 大規模電子商取引レコメンデーションシステムの構築には,(1)数十箇所にわたるユニバーサルレコメンデーションアーキテクチャの設計,(2)過剰なメンテナンスコストの低減,(3)高度に動的な製品カタログの管理,という3つの技術的課題に対処する必要がある。 本稿では,欧州発祥の最大のeコマースプラットフォームであるAllegro.comに展開する,コンテンツベースの統一レコメンデーションシステムを提案する。 このシステムは一般的なTwo Tower検索フレームワーク上に構築されており、テキスト属性と構造化属性を使って製品を表現し、近似Nearest Neighbourサーチによる効率的な検索を可能にする。 我々は、類似性探索、補完的な製品提案、インスピレーション付きコンテンツ発見という、3つの異なる推奨タスクに、同じモデルアーキテクチャを適合させる方法を実証する。 2年にわたる大規模なA/Bテストは、デスクトップおよびモバイルアプリチャネル全体でのエンゲージメントと利益ベースのメトリクスの大幅な増加を確認している。 この結果から,フレキシブルでスケーラブルなアーキテクチャは,メンテナンスのオーバーヘッドを最小限に抑えつつ,多様なユーザ意図に役立てることができることがわかった。

関連論文リスト

• OneSug: The Unified End-to-End Generative Framework for E-commerce Query Suggestion [22.63172274938755]
  OneSugは、eコマースクエリ提案のためのエンドツーエンドの生成フレームワークである。 OneSugは、KuaishouプラットフォームのEコマース検索エンジンで1ヶ月以上にわたって、全トラフィックに成功している。
  論文  参考訳（メタデータ） (2025-06-07T20:24:05Z)
• AgentSwift: Efficient LLM Agent Design via Value-guided Hierarchical Search [58.98450205734779]
  大規模言語モデル(LLM)エージェントは、多様なドメインにまたがる強力な機能を示している。 既存のエージェントサーチ手法には3つの大きな制限がある。 これらの課題に対処するための包括的なフレームワークを導入します。
  論文  参考訳（メタデータ） (2025-06-06T12:07:23Z)
• Trinity-RFT: A General-Purpose and Unified Framework for Reinforcement Fine-Tuning of Large Language Models [65.90917869715258]
  Trinity-RFTは、大規模言語モデルの強化微調整(RFT)のために設計された汎用的で統一的で使いやすいフレームワークである。 RFT-coreは、同期/非同期、オンライン/オフライン、RTTのオンライン/オフラインモードを統一・一般化する。
  論文  参考訳（メタデータ） (2025-05-23T12:41:09Z)
• Breaking Information Cocoons: A Hyperbolic Graph-LLM Framework for Exploration and Exploitation in Recommender Systems [41.43693025937088]
  HERecはハイパーボリックグラフ-LLMフレームワークで、レコメンダシステムの探索とエクスプロイトを効果的にバランスさせる。 本フレームワークは,(1)多言語空間において,リッチテキスト記述と協調的な情報とを協調的に協調する意味的強化された階層的メカニズムを導入する。 実験により、HERecはユークリッドベースラインと双曲ベースラインの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2024-11-21T06:01:47Z)
• Multi-criteria recommendation systems to foster online grocery [0.0]
  製品を推薦する目的は、特定の製品の最も適切な指定を指定することである。 本稿では,2つの文書表現法であるback-of-words(BOW)と,ベクトルベース(Doc2Vec)と呼ばれるニューラルネットワークベースのドキュメントの組み合わせを用いて,製品データを変換する。 評価のために,各文書表現法におけるこれらの3つの基準の性能を比較し,ニューラルネットワーク(Doc2Vec)の性能が向上し,結果が完全に変更されたことを発見した。
  論文  参考訳（メタデータ） (2023-12-12T17:40:16Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)
• One-Shot Neural Ensemble Architecture Search by Diversity-Guided Search Space Shrinking [97.60915598958968]
  本稿では,この2つの課題に対処するワンショットニューラルアンサンブルアーキテクチャサーチ(NEAS)ソリューションを提案する。 最初の課題として,探索空間の縮小を導くために,多様性に基づく新しい指標を導入する。 第2の課題として,異なるモデル間の階層共有を効率向上のために学習する新たな探索次元を実現する。
  論文  参考訳（メタデータ） (2021-04-01T16:29:49Z)
• AutoRC: Improving BERT Based Relation Classification Models via Architecture Search [50.349407334562045]
  BERTに基づく関係分類(RC)モデルは、従来のディープラーニングモデルよりも大幅に改善されている。 最適なアーキテクチャとは何かという合意は得られない。 BERTをベースとしたRCモデルのための包括的検索空間を設計し、設計選択を自動的に検出するためにNAS(Neural Architecture Search)手法を用いる。
  論文  参考訳（メタデータ） (2020-09-22T16:55:49Z)

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。