論文の概要: Fine-grained auxiliary learning for real-world product recommendation

• arxiv url: http://arxiv.org/abs/2510.04551v1
• Date: Mon, 06 Oct 2025 07:34:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.730251
• Title: Fine-grained auxiliary learning for real-world product recommendation
• Title（参考訳）: 実世界の製品レコメンデーションのための微粒な補助学習
• Authors: Mario Almagro, Diego Ortego, David Jimenez,
• Abstract要約: 補助学習(Auxiliary Learning)は、きめ細かい埋め込みを学習することでカバレッジを高める戦略である。 本稿では, 正と負の差分学習信号を構築するために, バッチ中の最も難解な負を利用する2つの学習目標について紹介する。 2つの製品レコメンデーションデータセットにおいて、3つの極端なマルチラベル分類アプローチを用いてALCを検証する。
• 参考スコア（独自算出の注目度）: 3.1912286225194877
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Product recommendation is the task of recovering the closest items to a given query within a large product corpora. Generally, one can determine if top-ranked products are related to the query by applying a similarity threshold; exceeding it deems the product relevant, otherwise manual revision is required. Despite being a well-known problem, the integration of these models in real-world systems is often overlooked. In particular, production systems have strong coverage requirements, i.e., a high proportion of recommendations must be automated. In this paper we propose ALC , an Auxiliary Learning strategy that boosts Coverage through learning fine-grained embeddings. Concretely, we introduce two training objectives that leverage the hardest negatives in the batch to build discriminative training signals between positives and negatives. We validate ALC using three extreme multi-label classification approaches in two product recommendation datasets; LF-AmazonTitles-131K and Tech and Durables (proprietary), demonstrating state-of-the-art coverage rates when combined with a recent threshold-consistent margin loss.
• Abstract（参考訳）: プロダクトレコメンデーションは、大きな製品コーパス内で与えられたクエリに最も近いアイテムをリカバリするタスクである。 一般に、トップランクの製品が類似度閾値を適用してクエリに関連があるかどうかを判断できる。 良く知られた問題であるにもかかわらず、現実のシステムにおけるこれらのモデルの統合はしばしば見過ごされる。 特に、プロダクションシステムには強いカバレッジ要件があり、高い割合のレコメンデーションが自動化されなければならない。 本稿では,細粒度埋め込み学習を通じてカバレッジを向上させる補助学習戦略であるALCを提案する。 具体的には、2つのトレーニング目標を導入し、バッチ内の最も難しい負の値を利用して、正と負の区別的なトレーニング信号を構築する。 LF-AmazonTitles-131KとTech and Durables (Prorietary)の2つのプロダクトレコメンデーションデータセットにおける3つの極端なマルチラベル分類手法を用いてALCを検証する。

関連論文リスト

• LLM-Enhanced Reranking for Complementary Product Recommendation [1.7149913637404794]
  本稿では,Large Language Models (LLMs) を利用したモデルに依存しないアプローチを提案する。 当社のアプローチは、補完的な製品レコメンデーションにおける正確性と多様性のバランスを効果的に保ち、少なくとも50%の精度測定値、2%の多様性測定値がデータセット全体を対象とした推奨項目の平均で上昇していることを実証しています。
  論文  参考訳（メタデータ） (2025-07-22T05:15:45Z)
• A Reproducibility Study of Product-side Fairness in Bundle Recommendation [50.09508982179837]
  実世界の3つのデータセットにまたがるバンドルレコメンデーション(BR)における製品側の公正性について検討する。 以上の結果から,バンドルとアイテムの露出パターンが顕著に異なっており,公正な介入の必要性が示唆された。 また,多面的評価の必要性を増すため,測定値によって公正度の評価がかなり異なることも見いだした。
  論文  参考訳（メタデータ） (2025-07-18T20:06:39Z)
• Enhancing Retrieval Performance: An Ensemble Approach For Hard Negative Mining [0.0]
  本研究は,クロスエンコーダモデルのトレーニングプロセスにおいて,ハードネガティブが果たす重要な役割を説明することに焦点を当てる。 我々は,企業データセット上でのクロスエンコーダ・リランクモデルの効率的なトレーニングのための強硬な負のマイニング手法を開発した。
  論文  参考訳（メタデータ） (2024-10-18T05:23:39Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Exploring Fine-grained Retail Product Discrimination with Zero-shot Object Classification Using Vision-Language Models [50.370043676415875]
  スマートリテールアプリケーションでは、多数の製品とその頻繁なターンオーバーは信頼性の高いゼロショットオブジェクト分類方法を必要とする。 我々は28の異なる製品カテゴリからなるMIMEXデータセットを紹介した。 我々は、提案したMIMEXデータセット上で、最先端ビジョン言語モデル(VLM)のゼロショットオブジェクト分類性能をベンチマークする。
  論文  参考訳（メタデータ） (2024-09-23T12:28:40Z)
• Generative Recommender with End-to-End Learnable Item Tokenization [51.82768744368208]
  ETEGRecは、アイテムのトークン化と生成レコメンデーションを結合的なフレームワークに統合する、新しいエンドツーエンド生成レコメンダである。 ETEGRecは、アイテムトークンライザと、デュアルエンコーダ-デコーダアーキテクチャ上に構築された生成レコメンデータで構成されている。 我々は、フレームワーク全体の安定的で効率的なエンドツーエンドトレーニングを保証するために、交互に最適化する手法を開発した。
  論文  参考訳（メタデータ） (2024-09-09T12:11:53Z)
• Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation [43.85549591503592]
  インプシットフィードバックは、パーソナライズされたレコメンデーションサービスを開発するために頻繁に使用される。 本稿では,Triplet Importance Learning (TIL) という新たなトレーニングフレームワークを提案する。 提案手法は,トップkレコメンデーションのRecall@kにおいて,既存モデルよりも3～21%優れていた。
  論文  参考訳（メタデータ） (2022-08-02T19:44:47Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。