論文の概要: STCRank: Spatio-temporal Collaborative Ranking for Interactive Recommender System at Kuaishou E-shop
- arxiv url: http://arxiv.org/abs/2601.10027v1
- Date: Thu, 15 Jan 2026 03:18:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-16 19:43:18.971153
- Title: STCRank: Spatio-temporal Collaborative Ranking for Interactive Recommender System at Kuaishou E-shop
- Title（参考訳）: STCRank: Kuaishou E-shopにおける対話型リコメンダシステムのための時空間協調ランキング
- Authors: Boyang Xia, Ruilin Bao, Hanjun Jiang, Jun Wang, Wenwu Ou,
- Abstract要約: Kuaishou E-shopは、正確なパーソナライズされた製品レコメンデーションを毎日数千万人のユーザーに提供している。
リアルタイムのユーザフィードバックをよりよく応答するために、我々は、コアホームページレコメンデータシステムとともに、インタラクティブなレコメンデータシステム(IRS)をデプロイしました。
このIRSは、ユーザーがホームページをクリックすることでトリガーされ、クリックされたアイテムに基づいて、集中したブラウジング要求を満たすために、一連の非常に関連性の高いレコメンデーションを生成する。
- 参考スコア（独自算出の注目度）: 7.30809987530251
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a popular e-commerce platform, Kuaishou E-shop provides precise personalized product recommendations to tens of millions of users every day. To better respond real-time user feedback, we have deployed an interactive recommender system (IRS) alongside our core homepage recommender system. This IRS is triggered by user click on homepage, and generates a series of highly relevant recommendations based on the clicked item to meet focused browsing demands. Different from traditional e-commerce RecSys, the full-screen UI and immersive swiping down functionality present two distinct challenges for regular ranking system. First, there exists explicit interference (overlap or conflicts) between ranking objectives, i.e., conversion, view and swipe down. This is because there are intrinsic behavioral co-occurrences under the premise of immersive browsing and swiping down functionality. Second, the ranking system is prone to temporal greedy traps in sequential recommendation slot transitions, which is caused by full-screen UI design. To alleviate these challenges, we propose a novel Spatio-temporal collaborative ranking (STCRank) framework to achieve collaboration between multi-objectives within one slot (spatial) and between multiple sequential recommondation slots. In multi-objective collaboration (MOC) module, we push Pareto frontier by mitigating the objective overlaps and conflicts. In multi-slot collaboration (MSC) module, we achieve global optima on overall sequential slots by dual-stage look-ahead ranking mechanism. Extensive experiments demonstrate our proposed method brings about purchase and DAU co-growth. The proposed system has been already deployed at Kuaishou E-shop since 2025.6.
- Abstract（参考訳）: 人気のeコマースプラットフォームであるKuaishou E-shopは、毎日何千万ものユーザーに対して、正確なパーソナライズされた製品レコメンデーションを提供する。
リアルタイムのユーザフィードバックをよりよく応答するために、我々は、コアホームページレコメンデータシステムとともに、インタラクティブなレコメンデータシステム(IRS)をデプロイしました。
このIRSは、ユーザーがホームページをクリックすることでトリガーされ、クリックされたアイテムに基づいて、集中したブラウジング要求を満たすために、一連の非常に関連性の高いレコメンデーションを生成する。
従来のeコマースのRecSysとは違って、フルスクリーンのUIと没入型スワイプダウン機能は、通常のランキングシステムに2つの異なる課題をもたらす。
まず、ランク付け対象、すなわち変換、表示、スワイプダウンの間に明確な干渉(オーバーラップまたはコンフリクト)が存在する。
これは、没入的なブラウジングや機能をスワイプダウンするという前提の下に、本質的な行動共起が存在するためである。
第二に、ランキングシステムは、フルスクリーンUI設計によって引き起こされるシーケンシャルなレコメンデーションスロットトランジションにおいて、時間的欲求的なトラップの傾向にある。
これらの課題を緩和するために,1つのスロット(空間)内の複数オブジェクトと複数のシーケンシャルなリコモン化スロット間の協調を実現するために,新しい時空間協調的ランキング(STCRank)フレームワークを提案する。
多目的協調(MOC)モジュールでは、目的の重複や矛盾を緩和し、Paretoフロンティアを押します。
マルチスロット・コラボレーティブ(MSC)モジュールでは,2段階のルックアヘッドランキング機構により,全体のシーケンシャルスロットのグローバルな最適化を実現する。
大規模な実験により,提案手法は購入とDAUの共生をもたらすことが示された。
提案されたシステムは2025.6年以来、クアイショーのEショップに配備されている。
関連論文リスト
- HarmonRank: Ranking-aligned Multi-objective Ensemble for Live-streaming E-commerce Recommendation [17.992877606615533]
ライブストリーミングのeコマースは、購入とユーザーとストリームの双方のインタラクションのバランスをとるためのランキングメカニズムを必要とする。
本稿では,複数目的のアンサンブルフレームワークであるHarmonRankを提案する。
提案手法は,4億DAUのライブストリーミングEコマースレコメンデーションプラットフォームに完全デプロイされ,2%以上の購入率に寄与している。
論文 参考訳（メタデータ） (2026-01-06T11:59:02Z) - INTERPOS: Interaction Rhythm Guided Positional Morphing for Mobile App Recommender Systems [11.188405301894013]
自動回帰型モバイルアプリレコメンデータシステムのための対話リズムガイド型位置定位方式であるInterspectPOSを導入する。
InterPOS は NDCG@K と HIT@K のメトリクスで 7 つのモバイルアプリレコメンデーションデータセットを用いて,最先端のモデルより優れていることを示す。
論文 参考訳（メタデータ） (2025-06-14T23:40:49Z) - MultiSlot ReRanker: A Generic Model-based Re-Ranking Framework in
Recommendation Systems [6.0232112783722]
本稿では,汎用モデルに基づくリグレードフレームワークであるMultiSlot ReRankerを提案し,その妥当性,多様性,鮮度を同時に最適化する。
我々は,OpenAI GymをRayフレームワークに統合したマルチスロットリグレードシミュレータを構築した。
論文 参考訳（メタデータ） (2024-01-11T23:17:07Z) - On component interactions in two-stage recommender systems [82.38014314502861]
2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。
ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。
特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
論文 参考訳（メタデータ） (2021-06-28T20:53:23Z) - CRACT: Cascaded Regression-Align-Classification for Robust Visual
Tracking [97.84109669027225]
改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。
CRACは多くのベンチマークで最先端のパフォーマンスを得る。
OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
論文 参考訳（メタデータ） (2020-11-25T02:18:33Z) - Exploration in two-stage recommender systems [79.50534282841618]
2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。
このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。
そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
論文 参考訳（メタデータ） (2020-09-01T16:52:51Z) - 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) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳（メタデータ） (2020-02-23T06:40:48Z)
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。