論文の概要: Comprehensive Comparison Network: a framework for locality-aware, routes-comparable and interpretable route recommendation

• arxiv url: http://arxiv.org/abs/2508.08745v1
• Date: Tue, 12 Aug 2025 08:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.35389
• Title: Comprehensive Comparison Network: a framework for locality-aware, routes-comparable and interpretable route recommendation
• Title（参考訳）: 包括的比較ネットワーク:経路対応・経路対応・解釈可能な経路推薦のためのフレームワーク
• Authors: Chao Chen, Longfei Xu, Hanyu Guo, Chengzhang Wang, Ying Wang, Kaikui Liu, Xiangxiang Chu,
• Abstract要約: ルートレコメンデーション(RR)は、Amapアプリにおけるルート計画のコアタスクである。 RR性能を向上させるために,包括的比較ネットワーク (CCN) と呼ばれる新しいモデルを提案する。 オフラインとオンラインの両方の実験では、CCNはRR性能を著しく改善し、高い解釈可能性を示す。
• 参考スコア（独自算出の注目度）: 15.793848002479914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Route recommendation (RR) is a core task of route planning in the Amap app, with the goal of recommending the optimal route among candidate routes to users. Unlike traditional recommendation methods, insights into the local quality of routes and comparisons between candidate routes are crucial for enhancing recommendation performance but often overlooked in previous studies. To achieve these, we propose a novel model called Comprehensive Comparison Network (CCN). CCN not only uses query-level features (e.g. user features) and item-level features (e.g. route features, item embedding) that are common in traditional recommendations, but also introduces comparison-level features which describe the non-overlapping segments between different routes to capture the local quality of routes. The key component Comprehensive Comparison Block (CCB) in CCN is designed to enable comparisons between routes. CCB includes a Comprehensive Comparison Operator (CCO) and a multi-scenario MLP, which can update the representations of candidate routes based on a comprehensive comparison. By stacking multiple CCBs, CCN can determine the final scores of candidate routes and recommend the optimal one to the user. Additionally, since routes directly affect the costs and risks experienced by users, the RR model must be interpretable for online deployment. Therefore, we designed an interpretable pair scoring network to achieve interpretability. Both offline and online experiments demonstrate that CCN significantly improves RR performance and exhibits strong interpretability. CCN has been fully deployed in the Amap app for over a year, providing stable and optimal benefits for route recommendations.
• Abstract（参考訳）: ルートレコメンデーション(RR)は、Amapアプリにおけるルート計画の中核的なタスクであり、候補ルート間の最適なルートをユーザに推奨することを目的としている。 従来のレコメンデーション手法とは異なり、ルートの局所的な品質や候補ルートの比較に関する洞察は、レコメンデーション性能を高める上で重要であるが、以前の研究では見過ごされがちである。 これを実現するために,包括的比較ネットワーク (CCN) と呼ばれる新しいモデルを提案する。 CCNは、従来のレコメンデーションで一般的なクエリレベル機能(例えば、ユーザ機能)とアイテムレベル機能(例えば、ルート機能、アイテム埋め込み)だけでなく、ルートの局所的な品質を捉えるために、異なるルート間で重複しないセグメントを記述する比較レベル機能も導入している。 CCNの重要なコンポーネントであるComprehensive Comparison Block (CCB)は、ルート間の比較を可能にするように設計されている。 CCBには包括的比較演算子(Comprehensive Comparison Operator, CCO)と、総合的比較に基づいて候補経路の表現を更新できるマルチシナリオMLPが含まれている。 複数のCCBを積み重ねることで、CCNは候補ルートの最終的なスコアを決定し、最適なスコアをユーザに推奨することができる。 さらに、ルートはユーザーが経験したコストやリスクに直接影響するため、RRモデルはオンラインデプロイメントのために解釈されなければならない。 そこで我々は,解釈可能性を実現するために,解釈可能なペアスコアリングネットワークを設計した。 オフラインとオンラインの両方の実験では、CCNはRR性能を著しく改善し、高い解釈可能性を示す。 CCNはAmapアプリに1年以上完全にデプロイされており、ルートレコメンデーションに対して安定的で最適なメリットを提供している。

関連論文リスト

• CITER: Collaborative Inference for Efficient Large Language Model Decoding with Token-Level Routing [56.98081258047281]
  Token-lEvel Routing(CITER)との協調推論は、小規模および大規模言語モデルの効率的な協調を可能にするフレームワークである。 ルータの学習をポリシー最適化として定式化し、予測の質と生成の推論コストの両方に基づいて報酬を受け取る。 実験の結果,CITERは高品質な生成を保ちながら推論コストを低減し,リアルタイムおよびリソース制約のあるアプリケーションに対して有望なソリューションを提供することがわかった。
  論文  参考訳（メタデータ） (2025-02-04T03:36:44Z)
• Personalized and Context-aware Route Planning for Edge-assisted Vehicles [11.39182190564773]
  グラフニューラルネットワーク(GNN)と深部強化学習(DRL)に基づく新しいアプローチを提案する。 運転者の過去の軌跡を解析することにより,運転者の嗜好の指標として関連する道路属性を分類する。 提案するGNNベースのDRLフレームワークを実環境の道路ネットワークを用いて評価し,ドライバの嗜好に対応する能力を示す。
  論文  参考訳（メタデータ） (2024-07-25T12:14:12Z)
• GraphCC: A Practical Graph Learning-based Approach to Congestion Control in Datacenters [6.47712691414707]
  データセンターネットワーク(DCN)におけるトラフィックの最適化において,渋滞制御(CC)が基本的な役割を担っている 本稿では,ネットワーク内CC最適化のための新しい機械学習ベースのフレームワークであるGraphCCを提案する。
  論文  参考訳（メタデータ） (2023-08-09T12:04:41Z)
• CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
  本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
  論文  参考訳（メタデータ） (2021-10-21T06:26:31Z)
• DeepAltTrip: Top-k Alternative Itineraries for Trip Recommendation [4.727697892741763]
  本稿では,DeepAltTripというディープラーニングベースのフレームワークを提案する。 経路生成のステップでは,多様なユーザ定義制約をシームレスに処理できる新しいサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-08T10:36:59Z)
• Learn-n-Route: Learning implicit preferences for vehicle routing [9.434400627011108]
  ルート計画(またはルーティング)を手動で作成する際に、人間のプランナーが有する暗黙の好みをルーティングエンジンが学習する車両ルーティングの学習意思決定支援システムについて検討する。 目標は、車両ルーティングシステムの距離ベースの客観的基準の上にこれらの主観的な好みを使用することです。
  論文  参考訳（メタデータ） (2021-01-11T14:57:46Z)

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。