論文の概要: GemiRec: Interest Quantization and Generation for Multi-Interest Recommendation

• arxiv url: http://arxiv.org/abs/2510.14626v1
• Date: Thu, 16 Oct 2025 12:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.852683
• Title: GemiRec: Interest Quantization and Generation for Multi-Interest Recommendation
• Title（参考訳）: GemiRec:多目的レコメンデーションのための関心量子化と生成
• Authors: Zhibo Wu, Yunfan Wu, Quan Liu, Lin Jiang, Ping Yang, Yao Hu,
• Abstract要約: 本稿では,多目的レコメンデーションのためのフレームワークレベルの改良であるGemiRecを提案する。 a)興味辞書保守モジュール(IDMM)は、共有量子化関心辞書を維持し、(b)多関心後配電モジュール(MIPDM)は、ユーザ将来の関心の分布をキャプチャするために生成モデルを使用し、(c)多関心検索モジュール(MIRM)は、複数のユーザ関心表現を使用してアイテムを検索する。
• 参考スコア（独自算出の注目度）: 13.83456025835836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-interest recommendation has gained attention, especially in industrial retrieval stage. Unlike classical dual-tower methods, it generates multiple user representations instead of a single one to model comprehensive user interests. However, prior studies have identified two underlying limitations: the first is interest collapse, where multiple representations homogenize. The second is insufficient modeling of interest evolution, as they struggle to capture latent interests absent from a user's historical behavior. We begin with a thorough review of existing works in tackling these limitations. Then, we attempt to tackle these limitations from a new perspective. Specifically, we propose a framework-level refinement for multi-interest recommendation, named GemiRec. The proposed framework leverages interest quantization to enforce a structural interest separation and interest generation to learn the evolving dynamics of user interests explicitly. It comprises three modules: (a) Interest Dictionary Maintenance Module (IDMM) maintains a shared quantized interest dictionary. (b) Multi-Interest Posterior Distribution Module (MIPDM) employs a generative model to capture the distribution of user future interests. (c) Multi-Interest Retrieval Module (MIRM) retrieves items using multiple user-interest representations. Both theoretical and empirical analyses, as well as extensive experiments, demonstrate its advantages and effectiveness. Moreover, it has been deployed in production since March 2025, showing its practical value in industrial applications.
• Abstract（参考訳）: 多目的レコメンデーションは特に産業検索の段階で注目されている。 古典的な二重解答法とは異なり、単一の表現ではなく複数のユーザ表現を生成し、包括的なユーザ関心をモデル化する。 しかし、以前の研究では2つの基礎的な限界が特定されている: 1つは利害崩壊(英語版)であり、複数の表現が均質化している。 2つ目は興味の進化のモデリングが不十分なことであり、ユーザーの歴史的な行動から欠落した潜在的関心を捉えるのに苦労している。 私たちは、これらの制限に対処する既存の作業の徹底的なレビューから始めます。 そして、新しい視点からこれらの制限に取り組みます。 具体的には,多目的レコメンデーションのためのフレームワークレベルの改良であるGemiRecを提案する。 提案フレームワークは、興味定量化を利用して、構造的関心分離と関心生成を強制し、ユーザ関心の進化するダイナミクスを明示的に学習する。 モジュールは3つある。 (a)興味辞書保守モジュール(IDMM)は、共有量子化関心辞書を維持している。 b)MIPDM(Multi-interest Posterior Distribution Module)は,ユーザの将来の関心事の分布を捉えるために生成モデルを用いている。 (c)Multi-interest Retrieval Module(MIRM)は、複数のユーザ関心表現を用いてアイテムを検索する。 理論的および実証的な分析と広範な実験の両方が、その利点と効果を実証している。 また、2025年3月から生産され、工業用途における実用的価値を示している。

関連論文リスト

• Modeling Long-term User Behaviors with Diffusion-driven Multi-interest Network for CTR Prediction [18.302602011055775]
  本稿では,DiffuMIN (Diffusion-driven Multi-Interest Network) を提案する。 オンラインA/BテストではDiffuMINが1.52%,CPMが1.10%増加した。
  論文  参考訳（メタデータ） (2025-08-21T07:10:01Z)
• Synergizing Implicit and Explicit User Interests: A Multi-Embedding Retrieval Framework at Pinterest [9.904093205817247]
  検索ステージは、候補項目のハイリコールセットを生成する上で重要な役割を果たす。 従来の2-towerモデルは、ユーザとイテムの機能相互作用が限られているため、この点において苦労する。 ユーザの興味を表現できる新しいマルチ埋め込み検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-29T02:14:21Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• 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)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• Multiple Interest and Fine Granularity Network for User Modeling [3.508126539399186]
  ユーザモデリングは、カスタマエクスペリエンスとビジネス収益の両方の観点から、マッチングステージとランキングステージの両方において、産業レコメンデータシステムにおいて、基本的な役割を果たす。 既存のディープラーニングベースのアプローチのほとんどは、アイテムIDとカテゴリIDを活用するが、色やメイトリアルのようなきめ細かい特徴は無視し、ユーザの興味の細かい粒度をモデル化するのを妨げる。 本稿では,ユーザの多目的・細粒度に対処する多目的・細粒度ネットワーク(MFN)を提案し,ユーザの多目的間の類似性関係と組み合わせ関係からモデルを構築した。
  論文  参考訳（メタデータ） (2021-12-05T15:12:08Z)
• Diversity Regularized Interests Modeling for Recommender Systems [25.339169652217844]
  リコメンダーシステムのための多様性正規化利子モデリング(DRIM)の新しい方法を提案する。 ユーザの興味はある程度の差異を持つべきであり,複数のユーザ関心ベクトルを分離する多様性正規化セパレータとして,3つの戦略を導入する。
  論文  参考訳（メタデータ） (2021-03-23T09:10:37Z)

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。