論文の概要: Hierarchical Contextual Uplift Bandits for Catalog Personalization

• arxiv url: http://arxiv.org/abs/2601.14333v1
• Date: Tue, 20 Jan 2026 11:35:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.102546
• Title: Hierarchical Contextual Uplift Bandits for Catalog Personalization
• Title（参考訳）: カタログパーソナライゼーションのための階層的コンテキストアップリフトバンド
• Authors: Anupam Agrawal, Rajesh Mohanty, Shamik Bhattacharjee, Abhimanyu Mittal,
• Abstract要約: パーソナライズされたレコメンデーションのための階層型コンテキストアップリフトバンドイットフレームワークを提案する。 Dream11ファンタジースポーツプラットフォームにおける大規模A/Bテストの結果,提案手法は推奨品質を大幅に向上させることが示された。 このシステムを2025年5月にデフォルトのカタログパーソナライズシステムとして運用し,さらに0.5%の収益改善を実現した。
• 参考スコア（独自算出の注目度）: 0.3499870393443268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contextual Bandit (CB) algorithms are widely adopted for personalized recommendations but often struggle in dynamic environments typical of fantasy sports, where rapid changes in user behavior and dramatic shifts in reward distributions due to external influences necessitate frequent retraining. To address these challenges, we propose a Hierarchical Contextual Uplift Bandit framework. Our framework dynamically adjusts contextual granularity from broad, system-wide insights to detailed, user-specific contexts, using contextual similarity to facilitate effective policy transfer and mitigate cold-start issues. Additionally, we integrate uplift modeling principles into our approach. Results from large-scale A/B testing on the Dream11 fantasy sports platform show that our method significantly enhances recommendation quality, achieving a 0.4% revenue improvement while also improving user satisfaction metrics compared to the current production system. We subsequently deployed this system to production as the default catalog personalization system in May 2025 and observed a further 0.5% revenue improvement.
• Abstract（参考訳）: CB(Contextual Bandit)アルゴリズムは、パーソナライズされたレコメンデーションに広く採用されているが、しばしばファンタジースポーツに代表される動的環境に苦しむ。 これらの課題に対処するために、階層的コンテキストアップリフトバンドイットフレームワークを提案する。 本フレームワークは, より広範, システムワイドな洞察から詳細なユーザ固有のコンテキストへのコンテキストの粒度を動的に調整し, 効果的な政策伝達を促進し, コールドスタート問題を緩和する。 さらに、アップリフトモデリングの原則を私たちのアプローチに統合します。 その結果,Dream11ファンタジースポーツプラットフォームにおける大規模A/Bテストの結果,提案手法は推奨品質を大幅に向上させ,収益率0.4%を達成し,現在の生産システムと比較してユーザ満足度も向上した。 このシステムを2025年5月にデフォルトのカタログパーソナライズシステムとして運用し,さらに0.5%の収益改善を実現した。

関連論文リスト

• SeqUDA-Rec: Sequential User Behavior Enhanced Recommendation via Global Unsupervised Data Augmentation for Personalized Content Marketing [0.08496348835248901]
  SeqUDA-Recは、ユーザ行動シーケンスとグローバルな教師なしデータ拡張を統合する、新しいディープラーニングフレームワークである。 NDCG@10が6.7%,HR@10が11.3%,パーソナライズされた広告とインテリジェントなコンテンツレコメンデーションが有効であった。
  論文  参考訳（メタデータ） (2025-09-22T05:24:53Z)
• Dynamic Classifier-Free Diffusion Guidance via Online Feedback [53.54876309092376]
  ワンサイズオール"アプローチは、異なるプロンプトの多様な要件に適応できない。 動的CFGスケジューリングのためのフレームワークを提案する。 我々は,小型モデルと最先端のImagen 3におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-19T16:27:19Z)
• Avoiding Over-Personalization with Rule-Guided Knowledge Graph Adaptation for LLM Recommendations [46.90931293070464]
  LLMに基づくレコメンデーションシステムにおいて、オーバーパーソナライゼーションを再構築するためのニューロシンボリックな枠組みを提案する。 我々は,ユーザ側知識グラフ(KG)を推定時間に適応させ,特徴共起パターンを抑制する。 これらの適応されたPKGは、より多様なOut-PIEレコメンデーションに向けて言語モデルを操る構造化プロンプトを構築するために使用される。
  論文  参考訳（メタデータ） (2025-09-08T18:33:36Z)
• 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)
• From Clicks to Preference: A Multi-stage Alignment Framework for Generative Query Suggestion in Conversational System [11.373145953200137]
  生成ポリシーとユーザ意図のプログレッシブアライメントを目的とした多段階フレームワークを提案する。 我々の枠組みは, 自動評価と人的評価の両方において, ベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-08-15T10:17:01Z)
• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• 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)
• Session-Level Dynamic Ad Load Optimization using Offline Robust Reinforcement Learning [14.410333601657172]
  セッションレベルの動的広告ロード最適化は、ユーザのオンラインセッション中に配信される広告の密度とタイプをリアルタイムでパーソナライズすることを目的としている。 従来の因果学習に基づくアプローチは、重要な技術的課題に苦しむ。 本研究では,動的システムにおける共起バイアスを効果的に軽減するオフライン深層Q-network(DQN)ベースのフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-01-09T21:53:03Z)

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。