論文の概要: Heterogeneous Multi-treatment Uplift Modeling for Trade-off Optimization in Short-Video Recommendation

• arxiv url: http://arxiv.org/abs/2511.18997v2
• Date: Sat, 29 Nov 2025 10:37:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 15:37:38.235428
• Title: Heterogeneous Multi-treatment Uplift Modeling for Trade-off Optimization in Short-Video Recommendation
• Title（参考訳）: ショートビデオレコメンデーションにおけるトレードオフ最適化のための不均一なマルチトリートアップリフトモデリング
• Authors: Chenhao Zhai, Chang Meng, Xueliang Wang, Shuchang Liu, Xiaolong Hu, Shisong Tang, Xiaoqiang Feng, Xiu Li,
• Abstract要約: ソーシャルメディアプラットフォーム上のショートビデオは、レコメンデーションシステムに固有の課題と機会を提供する。 既存のアップリフトモデルは、ショートビデオレコメンデーションの不均一なマルチ処理シナリオを扱う際の制限に直面している。 短ビデオレコメンデーションにおけるトレードオフ最適化のための新しいヘテロジニアス・マルチトリート・アップリフト・モデリング・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.779660880397676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid proliferation of short videos on social media platforms presents unique challenges and opportunities for recommendation systems. Users exhibit diverse preferences, and the responses resulting from different strategies often conflict with one another, potentially exhibiting inverse correlations between metrics such as watch time and video view counts. Existing uplift models face limitations in handling the heterogeneous multi-treatment scenarios of short-video recommendations, often failing to effectively capture both the synergistic and individual causal effects of different strategies. Furthermore, traditional fixed-weight approaches for balancing these responses lack personalization and can result in biased decision-making. To address these issues, we propose a novel Heterogeneous Multi-treatment Uplift Modeling (HMUM) framework for trade-off optimization in short-video recommendations. HMUM comprises an Offline Hybrid Uplift Modeling (HUM) module, which captures the synergistic and individual effects of multiple strategies, and an Online Dynamic Decision-Making (DDM) module, which estimates the value weights of different user responses in real-time for personalized decision-making. Evaluated on two public datasets, an industrial dataset, and through online A/B experiments on the Kuaishou platform, our model demonstrated superior offline performance and significant improvements in key metrics. It is now fully deployed on the platform, benefiting hundreds of millions of users.
• Abstract（参考訳）: ソーシャルメディアプラットフォーム上でのショートビデオの急速な普及は、レコメンデーションシステムに固有の課題と機会をもたらす。 ユーザはさまざまな好みを示し、異なる戦略から得られる応答は、しばしば互いに矛盾し、ウォッチタイムやビデオビュー数といったメトリクス間の逆相関を示す可能性がある。 既存のアップリフトモデルは、ショートビデオレコメンデーションの不均一な多処理シナリオを扱う際の制限に直面し、しばしば異なる戦略の相乗効果と個人因果効果の両方を効果的に捉えることに失敗する。 さらに、これらの応答のバランスをとる従来の固定ウェイトなアプローチはパーソナライズを欠き、バイアスのある意思決定をもたらす可能性がある。 これらの課題に対処するために, 短ビデオレコメンデーションにおけるトレードオフ最適化のための新しいヘテロジニアス・マルチトリート・アップリフト・モデリング(HMUM)フレームワークを提案する。 HMUMは、複数の戦略の相乗効果と個々の効果をキャプチャするオフラインハイブリッド・アップリフト・モデリング(HUM)モジュールと、個人化された意思決定のためにリアルタイムで異なるユーザ応答の値重みを推定するオンライン動的決定-意思決定(DDM)モジュールで構成される。 2つの公開データセット、産業データセット、およびKuaishouプラットフォーム上でのオンラインA/B実験により、我々のモデルはオフラインのパフォーマンスが向上し、重要な指標が大幅に改善されたことを実証した。 現在、プラットフォームに完全にデプロイされており、数億人のユーザに利益をもたらしている。

関連論文リスト

• Multimodal Foundation Model-Driven User Interest Modeling and Behavior Analysis on Short Video Platforms [4.393914222141582]
  本稿では,ユーザ関心モデリングと行動分析のためのマルチモーダル基礎モデルに基づくフレームワークを提案する。 本研究では、動的興味の進化をモデル化するために、視聴、好み、コメントのシーケンスを組み込んだ行動駆動型特徴埋め込み機構を導入する。 その結果, 行動予測精度, 冷間開始ユーザの関心モデリング, クリックスルー率の大幅な改善が示された。
  論文  参考訳（メタデータ） (2025-09-05T02:05:10Z)
• ReAgent-V: A Reward-Driven Multi-Agent Framework for Video Understanding [71.654781631463]
  ReAgent-Vは、新しいエージェントビデオ理解フレームワークである。 推論中に効率の良いフレーム選択とリアルタイムの報酬生成を統合する。 12のデータセットに対する大規模な実験は、一般化と推論において大きな成果を上げている。
  論文  参考訳（メタデータ） (2025-06-02T04:23:21Z)
• A Model-based Multi-Agent Personalized Short-Video Recommender System [19.03089585214444]
  本稿では,RLをベースとした産業用ショートビデオレコメンデータランキングフレームワークを提案する。 提案フレームワークでは,サンプル選択バイアスを軽減するために,モデルに基づく学習アプローチを採用している。 提案手法は,当社の大規模ショートビデオ共有プラットフォームに導入されている。
  論文  参考訳（メタデータ） (2024-05-03T04:34:36Z)
• Rewards-in-Context: Multi-objective Alignment of Foundation Models with Dynamic Preference Adjustment [46.44464839353993]
  リワード・イン・コンテキスト(Rewards-in-Context, RiC)を導入する。 RiCは単一のファンデーションモデルの教師付き微調整のみを必要とし、推論時間中にユーザの好みを動的に調整する。
  論文  参考訳（メタデータ） (2024-02-15T18:58:31Z)
• CREMA: Generalizable and Efficient Video-Language Reasoning via Multimodal Modular Fusion [58.15403987979496]
  CREMAは、ビデオ推論のための一般化可能、高効率、モジュラリティ融合フレームワークである。 本稿では,軽量核融合モジュールとモーダリティ・シークエンシャル・トレーニング・ストラテジーによって支援された,新しいプログレッシブ・マルチモーダル・フュージョン設計を提案する。 ビデオQA や Video-Audio/3D/Touch/Thermal QA を含む7つのビデオ言語推論タスクについて検証を行った。
  論文  参考訳（メタデータ） (2024-02-08T18:27:22Z)
• Adaptive Contrastive Learning on Multimodal Transformer for Review Helpfulness Predictions [40.70793282367128]
  本稿では,MRHP(Multimodal Review Helpfulness Prediction)問題に対するマルチモーダルコントラスト学習を提案する。 さらに,コントラスト学習における適応重み付け方式を提案する。 最後に,マルチモーダルデータの不整合性に対処するマルチモーダルインタラクションモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-07T13:05:56Z)
• Fast Multi-Step Critiquing for VAE-based Recommender Systems [27.207067974031805]
  M&Ms-VAEは、提案と説明のための新しい変分オートエンコーダです。 モデルを弱い監督スキームでトレーニングし、完全および部分的に観察された変数をシミュレートします。 次に、訓練されたM&Ms-VAEモデルの一般化能力を利用して、ユーザの好みと批判を個別に埋め込む。
  論文  参考訳（メタデータ） (2021-05-03T12:26:09Z)
• Modeling High-order Interactions across Multi-interests for Micro-video Reommendation [65.16624625748068]
  利用者の興味表現を高めるためのセルフオーバーCoアテンションモジュールを提案します。 特に、まず相関パターンを異なるレベルでモデル化し、次に自己注意を使って特定のレベルで相関パターンをモデル化します。
  論文  参考訳（メタデータ） (2021-04-01T07:20:15Z)

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。