論文の概要: Bootstrapping Conditional Retrieval for User-to-Item Recommendations

• arxiv url: http://arxiv.org/abs/2508.16793v1
• Date: Fri, 22 Aug 2025 20:50:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.183419
• Title: Bootstrapping Conditional Retrieval for User-to-Item Recommendations
• Title（参考訳）: ユーザ・ツー・アイテム推薦のためのブートストラップ条件検索
• Authors: Hongtao Lin, Haoyu Chen, Jaewon Jang, Jiajing Xu,
• Abstract要約: 本稿では,標準的な2つのタワーモデルと同じトレーニングデータを用いる手法を提案する。 実験により,本手法は関係性の高い項目を抽出し,エンゲージメント指標にフィルターを施した標準的な2つのタワーモデルより優れることが示された。 提案されたモデルは、Pinterestのトピックベースの通知フィードの電源としてデプロイされ、週に0.26%のアクティブユーザを獲得している。
• 参考スコア（独自算出の注目度）: 5.2612509575679525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User-to-item retrieval has been an active research area in recommendation system, and two tower models are widely adopted due to model simplicity and serving efficiency. In this work, we focus on a variant called \textit{conditional retrieval}, where we expect retrieved items to be relevant to a condition (e.g. topic). We propose a method that uses the same training data as standard two tower models but incorporates item-side information as conditions in query. This allows us to bootstrap new conditional retrieval use cases and encourages feature interactions between user and condition. Experiments show that our method can retrieve highly relevant items and outperforms standard two tower models with filters on engagement metrics. The proposed model is deployed to power a topic-based notification feed at Pinterest and led to +0.26\% weekly active users.
• Abstract（参考訳）: ユーザ・ツー・イテム検索はレコメンデーションシステムにおいて活発な研究領域であり,モデルの単純さと効率性から2つのタワーモデルが広く採用されている。 本研究では,検索した項目が条件(egトピック)に関連することを期待する「textit{conditional search}」という変種に着目した。 本稿では,標準的な2つのタワーモデルと同じトレーニングデータを用いる手法を提案する。 これにより、新しい条件付き検索ユースケースをブートストラップし、ユーザと条件間の特徴的相互作用を促進することができる。 実験により,本手法は関係性の高い項目を抽出し,エンゲージメント指標にフィルターを施した標準的な2つのタワーモデルより優れることが示された。 提案されたモデルは、Pinterestのトピックベースの通知フィードの電源としてデプロイされ、毎週のアクティブユーザ数は+0.26\%になった。

関連論文リスト

• Unidentified and Confounded? Understanding Two-Tower Models for Unbiased Learning to Rank [50.9530591265324]
  良好な性能のプロダクションシステムによって収集されたクリックで2towerモデルをトレーニングすると、ランキング性能が低下する。 理論的には、2towerモデルの識別可能性条件を解析し、クリックからモデルパラメータを復元するために、文書の入れ替わりや重複する特徴分布が必要であることを示す。 また,ログポリシが2towerモデルに与える影響についても検討し,モデルがユーザの動作を完全に捉えている場合,バイアスが発生しないことを見出した。
  論文  参考訳（メタデータ） (2025-06-25T14:47:43Z)
• Do Retrieval-Augmented Language Models Adapt to Varying User Needs? [28.729041459278587]
  本稿では,3つのユーザニーズ条件下でALMを体系的に評価する新しい評価フレームワークを提案する。 ユーザインストラクションと検索された情報の性質の両方を変えることで、我々のアプローチは現実世界のアプリケーションの複雑さを捉えます。 本研究は,検索システム開発におけるユーザ中心評価の必要性を浮き彫りにするものである。
  論文  参考訳（メタデータ） (2025-02-27T05:39:38Z)
• CRM: Retrieval Model with Controllable Condition [23.936944737868465]
  制御可能な検索モデルでは,レグレッション情報を条件付き特徴として2tower検索パラダイムに統合する。 我々は,現実世界のA/Bテストを通じてCRMの有効性を検証するとともに,クアイショーショートビデオレコメンデーションシステムにおけるCRM導入の成功例を示す。
  論文  参考訳（メタデータ） (2024-12-18T13:37:36Z)
• Why Not Together? A Multiple-Round Recommender System for Queries and Items [37.709748983831034]
  推薦システムの基本的な技術は、ユーザの嗜好をモデル化することであり、クエリや項目がユーザ関心の象徴的な表現として広く使われている。 両タイプの相乗効果を生かしたMultiple-round Auto Guess-and-Update System(MAGUS)を提案する。
  論文  参考訳（メタデータ） (2024-12-14T10:49:00Z)
• Unifying Generative and Dense Retrieval for Sequential Recommendation [37.402860622707244]
  逐次密度検索と生成検索の強みを組み合わせたハイブリッドモデルであるLIGERを提案する。 LIGERは、シーケンシャルな高密度検索を生成検索に統合し、性能差を緩和し、コールドスタートアイテムレコメンデーションを強化する。 このハイブリッドアプローチは、これらのアプローチ間のトレードオフに関する洞察を与え、小規模ベンチマークにおけるレコメンデーションシステムの効率と効率性の向上を示す。
  論文  参考訳（メタデータ） (2024-11-27T23:36:59Z)
• Query-oriented Data Augmentation for Session Search [71.84678750612754]
  本稿では,検索ログの強化とモデリングの強化を目的としたクエリ指向データ拡張を提案する。 検索コンテキストの最も重要な部分を変更することで補足的なトレーニングペアを生成する。 我々は、現在のクエリを変更するためのいくつかの戦略を開発し、その結果、様々な難易度で新しいトレーニングデータを得る。
  論文  参考訳（メタデータ） (2024-07-04T08:08:33Z)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)

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。