論文の概要: SMILE: SeMantic Ids Enhanced CoLd Item Representation for Click-through Rate Prediction in E-commerce SEarch

• arxiv url: http://arxiv.org/abs/2510.12604v1
• Date: Tue, 14 Oct 2025 14:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.360606
• Title: SMILE: SeMantic Ids Enhanced CoLd Item Representation for Click-through Rate Prediction in E-commerce SEarch
• Title（参考訳）: SMILE:eコマース部門におけるクリックスルーレート予測のためのセマンティックIds強化CoLd項目表現
• Authors: Qihang Zhao, Zhongbo Sun, Xiaoyang Zheng, Xian Guo, Siyuan Wang, Zihan Liang, Mingcan Peng, Ben Chen, Chenyi Lei,
• Abstract要約: セマンティックIDの融合アライメントに基づくアイテム表現拡張手法SMILEを提案する。 具体的には、RQ-OPQエンコーディングを用いてアイテムの内容と協調情報を定量化し、2段階のアライメントを行う。
• 参考スコア（独自算出の注目度）: 23.064077881704105
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the rise of modern search and recommendation platforms, insufficient collaborative information of cold-start items exacerbates the Matthew effect of existing platform items, challenging platform diversity and becoming a longstanding issue. Existing methods align items' side content with collaborative information to transfer collaborative signals from high-popularity items to cold-start items. However, these methods fail to account for the asymmetry between collaboration and content, nor the fine-grained differences among items. To address these issues, we propose SMILE, an item representation enhancement approach based on fused alignment of semantic IDs. Specifically, we use RQ-OPQ encoding to quantize item content and collaborative information, followed by a two-step alignment: RQ encoding transfers shared collaborative signals across items, while OPQ encoding learns differentiated information of items. Comprehensive offline experiments on large-scale industrial datasets demonstrate superiority of SMILE, and rigorous online A/B tests confirm statistically significant improvements: item CTR +1.66%, buyers +1.57%, and order volume +2.17%.
• Abstract（参考訳）: 近代的な検索とレコメンデーションプラットフォームが台頭し、コールドスタートアイテムのコラボレーション情報が不十分になったことで、既存のプラットフォームアイテムのMatthew効果が悪化し、プラットフォームの多様性に挑戦し、長年の課題となった。 既存の手法は、アイテムの側コンテンツを協調情報と整合させて、人気の高いアイテムからコールドスタートアイテムへ協調的な信号を転送する。 しかし、これらの手法は、コラボレーションとコンテンツの間の非対称性や、項目間の細かい違いを説明できない。 これらの問題に対処するために,セマンティックIDの融合アライメントに基づく項目表現拡張手法SMILEを提案する。 具体的には、アイテムの内容と協調情報を定量化するためにRQ-OPQエンコーディングを使用し、続いて2段階のアライメントを行う: RQエンコーディングはアイテム間で共有協調信号を転送し、OPQエンコーディングはアイテムの区別された情報を学習する。 大規模な産業データセットに関する総合的なオフライン実験はSMILEの優位性を示し、厳密なオンラインA/Bテストは統計学的に有意な改善(CTR +1.66%、買い手 +1.57%、注文数 +2.17%)を確認している。

関連論文リスト

• Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation [91.13055384151897]
  CCFRecは、シーケンシャルレコメンデーションのための新しいコードベースのテキストおよび協調的セマンティックフュージョン法である。 ベクトル量子化手法を用いて,多視点テキスト埋め込みから細粒度セマンティックコードを生成する。 テキスト・コラボレーティブ・セマンティクスの融合をさらに促進するために,最適化戦略を導入する。
  論文  参考訳（メタデータ） (2025-03-15T15:54:44Z)
• Language-Model Prior Overcomes Cold-Start Items [14.370472820496802]
  RecSysの成長は、デジタル化と、eコマースやビデオストリーミングなどの分野におけるパーソナライズされたコンテンツの必要性による。 コンテンツベースのレコメンデータやハイブリッドメソッドといったコールドスタート問題の既存のソリューションは、アイテムメタデータを活用してアイテムの類似性を決定する。 本稿では,言語モデル(LM)を用いて項目類似度を推定する,コールドスタートアイテムレコメンデーションのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-13T22:45:52Z)
• CROSS-JEM: Accurate and Efficient Cross-encoders for Short-text Ranking Tasks [12.045202648316678]
  トランスフォーマーベースのランキングモデルは、そのようなタスクに対する最先端のアプローチである。 CROSS-JEM(Joint Efficient Modeling)を用いたクロスエンコーダを提案する。 CROSS-JEMは、トランスフォーマーベースのモデルでクエリの複数の項目を共同でスコアすることを可能にする。 最先端の精度を実現し、標準のクロスエンコーダよりも4倍低いランクのレイテンシを実現している。
  論文  参考訳（メタデータ） (2024-09-15T17:05:35Z)
• Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation [50.19602159938368]
  大規模言語モデル(LLM)は、会話レコメンデーションシステムに革命をもたらしている。 本稿では,マルチトークンのタイトルを単一トークンに変換するReindex-Then-Adapt(RTA)フレームワークを提案する。 本フレームワークでは,3つの対話推薦データセットの精度向上を実証する。
  論文  参考訳（メタデータ） (2024-05-20T15:37:55Z)
• Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation [50.55786122323965]
  次バスケットレコメンデーション(NBR)は、対応するバスケットシーケンスが与えられた次のバスケット内のアイテムを推論することを目的としている。 HEKP4NBRは知識グラフ(KG)をKTP(Knowledge Tree Prompt)と呼ばれるプロンプトに変換し、PLMがOOV(Out-Of-Vocabulary)アイテムIDをエンコードするのを助ける。 ハイパーグラフ畳み込みモジュールは、複数の側面からMoEモデルによって測定されたアイテム類似性に基づいてハイパーグラフを構築するように設計されている。
  論文  参考訳（メタデータ） (2023-12-26T02:12:21Z)
• MM-GEF: Multi-modal representation meet collaborative filtering [43.88159639990081]
  本稿では,グラフアーリーフュージョンを用いたマルチモーダルレコメンデーション MM-GEF を提案する。 MM-GEFはマルチモーダル信号と協調信号の両方から得られる構造情報を注入することにより、洗練された項目表現を学習する。
  論文  参考訳（メタデータ） (2023-08-14T15:47:36Z)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• Better Generalization with Semantic IDs: A Case Study in Ranking for Recommendations [24.952222114424146]
  本稿では、ランダムIDの代替としてコンテンツ由来の特徴を用いることを提案する。 我々は、ID機能をコンテンツベースの埋め込みに置き換えるだけで、記憶能力の低下により品質が低下することを示した。 コンテンツ埋め込みと同様に、セマンティックIDのコンパクトさはレコメンデーションモデルにおいて容易に適応できる問題を引き起こす。
  論文  参考訳（メタデータ） (2023-06-13T20:34:15Z)
• Latent Structures Mining with Contrastive Modality Fusion for Multimedia Recommendation [22.701371886522494]
  マルチモーダルコンテンツに基づく潜在意味的項目-項目構造は,より優れた項目表現を学習する上で有益である,と我々は主張する。 モータリティを意識した構造学習モジュールを考案し,各モータリティの項目間関係を学習する。
  論文  参考訳（メタデータ） (2021-11-01T03:37:02Z)

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。