論文の概要: Inference Time Feature Injection: A Lightweight Approach for Real-Time Recommendation Freshness

• arxiv url: http://arxiv.org/abs/2512.14734v1
• Date: Thu, 11 Dec 2025 04:13:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.699774
• Title: Inference Time Feature Injection: A Lightweight Approach for Real-Time Recommendation Freshness
• Title（参考訳）: 推論時間特徴注入:リアルタイム勧告の鮮度に対する軽量アプローチ
• Authors: Qiang Chen, Venkatesh Ganapati Hegde, Hongfei Li,
• Abstract要約: 本稿では、モデル再トレーニングを必要とせず、最新の時計履歴を推論時に選択的に注入する、日内パーソナライズのためのモデル非依存アプローチを提案する。 提案手法は,最近の時計履歴から推定時に古いユーザ機能を選択的にオーバーライドし,システムが進化する嗜好に即適応できるようにする。
• 参考スコア（独自算出の注目度）: 4.614925383918567
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many recommender systems in long-form video streaming reply on batch-trained models and batch-updated features, where user features are updated daily and served statically throughout the day. While efficient, this approach fails to incorporate a user's most recent actions, often resulting in stale recommendations. In this work, we present a lightweight, model-agnostic approach for intra-day personalization that selectively injects recent watch history at inference time without requiring model retraining. Our approach selectively overrides stale user features at inference time using the recent watch history, allowing the system to adapt instantly to evolving preferences. By reducing the personalization feedback loop from daily to intra-day, we observed a statistically significant 0.47% increase in key user engagement metrics which ranked among the most substantial engagement gains observed in recent experimentation cycles. To our knowledge, this is the first published evidence that intra-day personalization can drive meaningful impact in long-form video streaming service, providing a compelling alternative to full real-time architectures where model retraining is required.
• Abstract（参考訳）: 多くのレコメンデーションシステムは、バッチトレーニングされたモデルとバッチ更新された機能に対して、長い形式のビデオストリーミングで応答する。 このアプローチは効率的ではあるが、ユーザの最新のアクションを組み込むことに失敗し、しばしば古いレコメンデーションをもたらす。 本研究では、モデル再トレーニングを必要とせずに、最新の時計履歴を推論時に選択的に注入する、日内パーソナライズのための軽量でモデルに依存しないアプローチを提案する。 提案手法は,最近の時計履歴から推定時に古いユーザ機能を選択的にオーバーライドし,システムが進化する嗜好に即適応できるようにする。 個人化フィードバックのループを1日から1日に短縮することで、最近の実験サイクルで観測された重要なユーザエンゲージメント指標の0.47%が統計的に有意な増加を示した。 我々の知る限り、これは、日内パーソナライゼーションが長めのビデオストリーミングサービスに有意義な影響を与えるという最初の証拠であり、モデル再トレーニングが必要なフルリアルタイムアーキテクチャに代わる魅力的な代替手段を提供する。

関連論文リスト

• Pre-training for Recommendation Unlearning [14.514770044236375]
  UnlearnRecはモデルに依存しない事前学習パラダイムであり、効率的な未学習操作のためのシステムを準備している。 本手法は,再学習手法に比べて10倍以上の高速化を実現した。
  論文  参考訳（メタデータ） (2025-05-28T17:57:11Z)
• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Modeling the Heterogeneous Duration of User Interest in Time-Dependent Recommendation: A Hidden Semi-Markov Approach [11.392605386729699]
  ユーザの関心事の変化を追跡するために,隠れたセミマルコフモデルを提案する。 このモデルでは、(最近)関心のある状態に留まるユーザの異なる期間をキャプチャすることができる。 パラメータを推定し,ユーザの行動を予測するためのアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-12-15T09:17:45Z)
• Conditional Quantile Estimation for Uncertain Watch Time in Short-Video Recommendation [2.3166433227657186]
  本稿では,時計時間全体の条件分布をモデル化するための条件量子推定(CQE)を提案する。 CQEは、ユーザとビデオのペアごとに複雑なウォッチタイム分布を特徴付け、ユーザの振る舞いを理解するための柔軟で包括的なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-07-17T00:25:35Z)
• Diversified Batch Selection for Training Acceleration [68.67164304377732]
  オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。 バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。 DivBS(Diversified Batch Selection)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T12:12:20Z)
• Effective and Efficient Training for Sequential Recommendation using Recency Sampling [91.02268704681124]
  本稿では,新しいRecency-based Smpling of Sequencesトレーニング目標を提案する。 提案手法により拡張されたモデルにより,最先端のBERT4Recに近い性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-06T13:06:31Z)
• Incremental Learning for Personalized Recommender Systems [8.020546404087922]
  トレーニング効率とモデル品質の両方を提供するために,インクリメンタルな学習ソリューションを提案する。 このソリューションはLinkedInにデプロイされ、産業規模のレコメンデーションシステムに直接適用される。
  論文  参考訳（メタデータ） (2021-08-13T04:21:21Z)

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。