論文の概要: You Only Evaluate Once: A Tree-based Rerank Method at Meituan

• arxiv url: http://arxiv.org/abs/2508.14420v1
• Date: Wed, 20 Aug 2025 04:36:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.343165
• Title: You Only Evaluate Once: A Tree-based Rerank Method at Meituan
• Title（参考訳）: 一度だけ評価する:Meituanのツリーベースの参照方法
• Authors: Shuli Wang, Yinqiu Huang, Changhao Li, Yuan Zhou, Yonggang Liu, Yongqiang Zhang, Yinhua Zhu, Haitao Wang, Xingxing Wang,
• Abstract要約: 我々は、Exact Search Unit(ESU)のみを保持しながら、ジェネラルサーチユニット(GSU)を除去するワンステージリグレード手法であるYOLORを提案する。 YOLOR は、(1) リストレベルの有効性を達成するために階層的に複数のコンテキスト特徴を集約するツリーベースのコンテキスト抽出モジュール (TCEM) と、(2) 候補置換における効率的な機能の再利用を可能にするコンテキストキャッシュモジュール (CCM) を含む。
• 参考スコア（独自算出の注目度）: 10.23810114870147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reranking plays a crucial role in modern recommender systems by capturing the mutual influences within the list. Due to the inherent challenges of combinatorial search spaces, most methods adopt a two-stage search paradigm: a simple General Search Unit (GSU) efficiently reduces the candidate space, and an Exact Search Unit (ESU) effectively selects the optimal sequence. These methods essentially involve making trade-offs between effectiveness and efficiency, while suffering from a severe \textbf{inconsistency problem}, that is, the GSU often misses high-value lists from ESU. To address this problem, we propose YOLOR, a one-stage reranking method that removes the GSU while retaining only the ESU. Specifically, YOLOR includes: (1) a Tree-based Context Extraction Module (TCEM) that hierarchically aggregates multi-scale contextual features to achieve "list-level effectiveness", and (2) a Context Cache Module (CCM) that enables efficient feature reuse across candidate permutations to achieve "permutation-level efficiency". Extensive experiments across public and industry datasets validate YOLOR's performance, and we have successfully deployed YOLOR on the Meituan food delivery platform.
• Abstract（参考訳）: リスト内の相互の影響を捉えることで、現代のレコメンデーションシステムにおいて、リランクは重要な役割を担っている。 単純な一般探索ユニット(GSU)は候補空間を効率的に削減し、エクササイズ探索ユニット(ESU)は最適なシーケンスを効果的に選択する。 これらの手法は基本的に有効性と効率のトレードオフを伴うが、厳格な \textbf{inconsistency problem} に悩まされているため、GSU は ESU の高価値リストを見逃すことが多い。 この問題に対処するため,ESUのみを保持しながらGSUを除去する一段リグレード手法YOLORを提案する。 具体的には、(1)階層的に階層的に複数のコンテキスト特徴を集約して"リストレベルの有効性"を実現するTree-based Context extract Module (TCEM)、(2)"置換レベル効率"を達成するために候補置換間で効率的な機能の再利用を可能にするContext Cache Module (CCM)を含む。 公共および産業のデータセットにわたる大規模な実験により、YOLORのパフォーマンスが検証され、私たちは、YOLORをMeituanフードデリバリープラットフォームにデプロイすることに成功しました。

関連論文リスト

• MBA-RAG: a Bandit Approach for Adaptive Retrieval-Augmented Generation through Question Complexity [30.346398341996476]
  本稿では,クエリの複雑性に基づいて最適な検索戦略を動的に選択する強化学習ベースのフレームワークを提案する。 提案手法は,検索コストを低減しつつ,複数のシングルホップおよびマルチホップデータセット上でのアート結果の新たな状態を実現する。
  論文  参考訳（メタデータ） (2024-12-02T14:55:02Z)
• Retrieval with Learned Similarities [2.729516456192901]
  最先端の検索アルゴリズムは、学習された類似点に移行した。 そこで本研究では,Mixture-of-Logits (MoL) を実証的に実現し,多様な検索シナリオにおいて優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-22T08:19:34Z)
• Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
  本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。 赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-21T05:57:08Z)
• Zero-Shot Listwise Document Reranking with a Large Language Model [58.64141622176841]
  本稿では,タスク固有の学習データを用いることなく,言語モデル(LRL)を用いたリスワイズ・リランカを提案する。 3つのTRECウェブサーチデータセットの実験により、LRLは第1段検索結果の再ランク付け時にゼロショットポイントワイズ法より優れるだけでなく、最終段再ランカとしても機能することが示された。
  論文  参考訳（メタデータ） (2023-05-03T14:45:34Z)
• Towards End-to-end Semi-supervised Learning for One-stage Object Detection [88.56917845580594]
  本稿では,高度な一段検出ネットワークYOLOv5の半教師付き学習に焦点を当てた。 そこで我々は,Multi-view Pseudo-label Refinement (MPR) とDecoupled Semi-supervised Optimization (DSO) の2つの革新的な設計を取り入れた新しい教師学習レシピOneTeacherを提案する。 特に、MPRは、拡張ビューリファインメントとグローバルビューフィルタリングによって擬似ラベルの品質を改善し、DSOは構造的な微調整とタスク固有の擬似ラベルによる共同最適化競合を処理する。
  論文  参考訳（メタデータ） (2023-02-22T11:35:40Z)
• Planning for Sample Efficient Imitation Learning [52.44953015011569]
  現在の模倣アルゴリズムは、高い性能と高環境サンプル効率を同時に達成するのに苦労している。 本研究では,環境内サンプルの効率と性能を同時に達成できる計画型模倣学習手法であるEfficientImitateを提案する。 実験結果から,EIは性能と試料効率の両立を図った。
  論文  参考訳（メタデータ） (2022-10-18T05:19:26Z)
• Confidence-Aware Active Feedback for Efficient Instance Search [21.8172170825049]
  関連性フィードバックは、不完全なランキング結果をさらに洗練させるために、インスタンス検索(INS)タスクで広く使用されている。 本稿では,最も価値の高いフィードバック候補を効率的に選択できる信頼性対応アクティブフィードバック(CAAF)手法を提案する。 特にCAAFは、TRECVID 2021の大規模ビデオINS評価において、第1位を記録している。
  論文  参考訳（メタデータ） (2021-10-23T16:14:03Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
  最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。 少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。 これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
  論文  参考訳（メタデータ） (2020-08-04T10:41:32Z)

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。