論文の概要: A Learnable Fully Interacted Two-Tower Model for Pre-Ranking System
- arxiv url: http://arxiv.org/abs/2509.12948v1
- Date: Tue, 16 Sep 2025 10:52:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:53.041493
- Title: A Learnable Fully Interacted Two-Tower Model for Pre-Ranking System
- Title（参考訳）: プリランキングシステムのための学習可能な完全干渉2-towerモデル
- Authors: Chao Xiong, Xianwen Yu, Wei Xu, Lei Cheng, Chuan Yuan, Linjian Mo,
- Abstract要約: 2-towerモデルは、効率と有効性のバランスが良いため、プレグレードシステムで広く使われている。
FIT(Learningable Fully Interacted Two-tower Model)と呼ばれる新しいアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 15.03225449071182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pre-ranking plays a crucial role in large-scale recommender systems by significantly improving the efficiency and scalability within the constraints of providing high-quality candidate sets in real time. The two-tower model is widely used in pre-ranking systems due to a good balance between efficiency and effectiveness with decoupled architecture, which independently processes user and item inputs before calculating their interaction (e.g. dot product or similarity measure). However, this independence also leads to the lack of information interaction between the two towers, resulting in less effectiveness. In this paper, a novel architecture named learnable Fully Interacted Two-tower Model (FIT) is proposed, which enables rich information interactions while ensuring inference efficiency. FIT mainly consists of two parts: Meta Query Module (MQM) and Lightweight Similarity Scorer (LSS). Specifically, MQM introduces a learnable item meta matrix to achieve expressive early interaction between user and item features. Moreover, LSS is designed to further obtain effective late interaction between the user and item towers. Finally, experimental results on several public datasets show that our proposed FIT significantly outperforms the state-of-the-art baseline pre-ranking models.
- Abstract（参考訳）: 大規模レコメンデーションシステムでは,高品質な候補セットをリアルタイムに提供するという制約の中で,効率性とスケーラビリティを著しく向上させることで,プレグレードが重要な役割を担っている。
2-towerモデルは、相互作用を計算する前にユーザとアイテムの入力を独立に処理する分離アーキテクチャ(例えば、ドット製品や類似度測定)との効率性と効率のバランスが良いため、事前のシステムで広く使われている。
しかし、この独立性は2つの塔間の情報相互作用の欠如を招き、効果が低下する。
本稿では、推論効率を確保しつつ、リッチな情報インタラクションを実現するための、学習可能なFIT(Learable Fully Interacted Two-tower Model)を提案する。
FITは主にMeta Query Module (MQM) と Lightweight similarity Scorer (LSS) の2つの部分で構成されている。
具体的には、MQMは学習可能なアイテムメタマトリックスを導入し、ユーザとアイテムの機能間の表現力のある早期インタラクションを実現します。
さらに、LSSは、ユーザとアイテムタワーの間の効果的な遅延相互作用をさらに得るように設計されている。
最後に、いくつかの公開データセットに対する実験結果から、提案したFITは最先端のベースラインプレグレードモデルよりも大幅に優れていることが示された。
関連論文リスト
- Optimizing Recall or Relevance? A Multi-Task Multi-Head Approach for Item-to-Item Retrieval in Recommendation [23.61568268070558]
本稿では,ハイリコールとセマンティック関連性を両立するマルチタスクとマルチヘッドI2I検索モデルを提案する。
MTMHは数十億のユーザを対象とする商用プラットフォームのプロプライエタリなデータを用いて評価し、リコールを最大14.4%改善し、セマンティック関連性を最大56.6%向上させることができることを示した。
論文 参考訳（メタデータ） (2025-06-06T17:00:20Z) - HIT Model: A Hierarchical Interaction-Enhanced Two-Tower Model for Pre-Ranking Systems [9.100242205591224]
階層的相互作用強化2-tower(HIT)モデルを提案する。
このアーキテクチャは、一般的な2towerパラダイムを2つの重要なコンポーネントで強化する。
HITモデルはTencentのオンラインディスプレイ広告システムにうまく展開されている。
論文 参考訳（メタデータ） (2025-05-26T11:35:04Z) - Unleashing the Potential of Two-Tower Models: Diffusion-Based Cross-Interaction for Large-Scale Matching [25.672699790866726]
2towerモデルは、幅広いアプリケーション領域にわたる産業規模のマッチング段階で広く採用されている。
マッチングパラダイム内での"クロスインタラクションデカップリングアーキテクチャ"を提案する。
論文 参考訳（メタデータ） (2025-02-28T03:40:37Z) - iLOCO: Distribution-Free Inference for Feature Interactions [4.56754610152086]
我々は、ペアワイズな特徴相互作用の重要性を測定するための新しいモデルに依存しないメトリクスを開発した。
また,iLOCO距離と信頼区間を計算するためのアンサンブル学習手法を提案する。
我々は,iLOCO測定値と信頼区間を,合成データと実データの両方で検証する。
論文 参考訳（メタデータ） (2025-02-10T16:49:46Z) - Efficient Multi-Agent System Training with Data Influence-Oriented Tree Search [59.75749613951193]
木探索とデータ選択の両方をガイドするデータインフルエンス指向木探索(DITS)を提案する。
インフルエンススコアを活用することで、システム改善のための最も影響力のあるデータを効果的に特定する。
非微分不可能な指標に適した影響スコア推定法を導出する。
論文 参考訳（メタデータ） (2025-02-02T23:20:16Z) - LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。
Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。
4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
論文 参考訳（メタデータ） (2024-11-14T13:00:23Z) - T-REX: Mixture-of-Rank-One-Experts with Semantic-aware Intuition for Multi-task Large Language Model Finetuning [31.276142111455847]
大規模言語モデル(LLM)は多様なマルチタスクの微調整において重要な適応課題に直面している。
我々はmixunderlinetextbfTureunderlinetextbf-of-underlinetextbfRank-onunderlinetextbfE-eunderlinetextbfXper ts (textttT-REX) という新しいフレームワークを設計する。
Rank-1のエキスパートは、ミックス・アンド・マッチのメカニズムにより、線形パラメータのオーバーヘッドを持つエキスパートのベクトル部分空間を2次に拡張し、最適で近似誤差削減を達成することができる。
論文 参考訳（メタデータ） (2024-04-13T12:14:58Z) - Beyond Two-Tower Matching: Learning Sparse Retrievable
Cross-Interactions for Recommendation [80.19762472699814]
2-towerモデルは、産業アプリケーションに広くデプロイされている推奨のための一般的なマッチングフレームワークである。
機能間相互作用の制限と、オンラインサービスにおける精度の低下など、主な課題が2つある。
我々は,高度な機能相互作用だけでなく,効率的な検索もサポートするSparCodeという新しいマッチングパラダイムを提案する。
論文 参考訳（メタデータ） (2023-11-30T03:13:36Z) - A Co-Interactive Transformer for Joint Slot Filling and Intent Detection [61.109486326954205]
音声言語理解システム(SLU)を構築する上では,インテント検出とスロットフィリングが主要な2つのタスクである。
以前の研究では、2つのタスクを個別にモデル化するか、インテントからスロットへの単一の情報フローのみを考慮していた。
本稿では,2つのタスク間の相互影響を同時に検討するコ・インターアクティブ・トランスフォーマーを提案する。
論文 参考訳（メタデータ） (2020-10-08T10:16:52Z)
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。