論文の概要: Personalized Product Search Ranking: A Multi-Task Learning Approach with Tabular and Non-Tabular Data
- arxiv url: http://arxiv.org/abs/2508.09636v1
- Date: Wed, 13 Aug 2025 09:15:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-14 20:42:00.83016
- Title: Personalized Product Search Ranking: A Multi-Task Learning Approach with Tabular and Non-Tabular Data
- Title（参考訳）: パーソナライズされた製品検索ランキング: タブラリデータと非タブラリデータを用いたマルチタスク学習手法
- Authors: Lalitesh Morishetti, Abhay Kumar, Jonathan Scott, Kaushiki Nag, Gunjan Sharma, Shanu Vashishtha, Rahul Sridhar, Rohit Chatter, Kannan Achan,
- Abstract要約: マルチタスク学習フレームワークを用いて、パーソナライズされた製品検索ランキングを最適化するための新しいモデルアーキテクチャを提案する。
本稿では,クリックスルー率,クリック位置,意味的類似度に基づくスケーラブルなレバレンスラベリング機構を提案する。
実験結果から,マルチタスク学習のパラダイムにおいて,非語彙データと高度な埋め込み技術を組み合わせることで,モデル性能が著しく向上することが示唆された。
- 参考スコア（独自算出の注目度）: 5.361964008135103
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a novel model architecture for optimizing personalized product search ranking using a multi-task learning (MTL) framework. Our approach uniquely integrates tabular and non-tabular data, leveraging a pre-trained TinyBERT model for semantic embeddings and a novel sampling technique to capture diverse customer behaviors. We evaluate our model against several baselines, including XGBoost, TabNet, FT-Transformer, DCN-V2, and MMoE, focusing on their ability to handle mixed data types and optimize personalized ranking. Additionally, we propose a scalable relevance labeling mechanism based on click-through rates, click positions, and semantic similarity, offering an alternative to traditional human-annotated labels. Experimental results show that combining non-tabular data with advanced embedding techniques in multi-task learning paradigm significantly enhances model performance. Ablation studies further underscore the benefits of incorporating relevance labels, fine-tuning TinyBERT layers, and TinyBERT query-product embedding interactions. These results demonstrate the effectiveness of our approach in achieving improved personalized product search ranking.
- Abstract（参考訳）: 本稿では、マルチタスク学習(MTL)フレームワークを用いて、パーソナライズされた製品検索ランキングを最適化するための新しいモデルアーキテクチャを提案する。
提案手法は表型データと非タブラルデータとを一意に統合し,事前学習したTinyBERTモデルをセマンティック埋め込みに利用し,新しいサンプリング手法を用いて顧客の振る舞いを抽出する。
我々は、XGBoost、TabNet、FT-Transformer、DCN-V2、MMoEといった複数のベースラインに対して、混合データ型を扱う能力とパーソナライズされたランキングの最適化に重点を置いたモデルを評価する。
さらに,クリックスルー率,クリック位置,意味的類似度に基づくスケーラブルなレバレンスラベリング機構を提案する。
実験結果から,マルチタスク学習のパラダイムにおいて,非語彙データと高度な埋め込み技術を組み合わせることで,モデル性能が著しく向上することが示唆された。
アブレーション研究は、関連ラベル、微調整されたTinyBERT層、およびTinyBERTクエリ-製品埋め込み相互作用を組み込むことの利点をさらに浮き彫りにする。
これらの結果から,パーソナライズされた製品検索ランキングの改善に向けたアプローチの有効性が示された。
関連論文リスト
- TACOS: Open Tagging and Comparative Scoring for Instruction Fine-Tuning Data Selection [9.020110377060153]
We present TACOS, a innovative method that integrates Open Tagging and Comparison Scoring for IFT data selection。
データの多様性を捉えるために、LLMを活用して、オープンドメインタグを人間のクエリに割り当てる。
本稿では,クラスタ内のサンプルの相対的品質評価を可能にする比較評価手法を提案する。
論文 参考訳（メタデータ） (2025-07-04T15:46:07Z) - Federated Learning with Unlabeled Clients: Personalization Can Happen in Low Dimensions [16.161876130822396]
FLowDUPは、ラベルのないデータを持つフォワードパスのみを使用してパーソナライズされたモデルを生成することができる。
新たなトランスダクティブマルチタスク PAC-Bayesian 一般化バウンダリは、ラベルのないクライアントに対して性能保証を提供する。
論文 参考訳（メタデータ） (2025-05-21T14:30:59Z) - TWSSenti: A Novel Hybrid Framework for Topic-Wise Sentiment Analysis on Social Media Using Transformer Models [0.0]
本研究では,感情分類の精度と頑健性を改善するために,トランスフォーマーモデルを組み合わせたハイブリッドフレームワークについて検討する。
このフレームワークは、ノイズの多いデータ、コンテキストのあいまいさ、さまざまなデータセット間の一般化といった課題に対処する。
この研究は、ソーシャルメディアのモニタリング、顧客感情分析、世論の追跡など、現実世界のタスクへの適用性を強調している。
論文 参考訳（メタデータ） (2025-04-14T05:44:11Z) - StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized
Image-Dialogue Data [129.92449761766025]
本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。
このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。
本研究は,各種データセットを対象とした総合的な実験を含む。
論文 参考訳（メタデータ） (2023-08-20T12:43:52Z) - Unified Embedding Based Personalized Retrieval in Etsy Search [0.206242362470764]
グラフ, 変換器, 項ベース埋め込みを終末に組み込んだ統合埋め込みモデルを学習することを提案する。
我々のパーソナライズされた検索モデルは、検索購入率5.58%、サイト全体のコンバージョン率2.63%によって、検索体験を著しく改善する。
論文 参考訳（メタデータ） (2023-06-07T23:24:50Z) - Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。
我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。
我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文 参考訳（メタデータ） (2022-09-30T15:01:35Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。
まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。
次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
論文 参考訳（メタデータ） (2020-11-20T08:26:10Z) - Automatic Validation of Textual Attribute Values in E-commerce Catalog
by Learning with Limited Labeled Data [61.789797281676606]
そこで我々はMetaBridgeと呼ばれる新しいメタ学習潜伏変数アプローチを提案する。
限られたラベル付きデータを持つカテゴリのサブセットから、転送可能な知識を学ぶことができる。
ラベルのないデータで、目に見えないカテゴリの不確実性を捉えることができる。
論文 参考訳（メタデータ） (2020-06-15T21:31:05Z)
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。