論文の概要: OneMall: One Architecture, More Scenarios -- End-to-End Generative Recommender Family at Kuaishou E-Commerce

• arxiv url: http://arxiv.org/abs/2601.21770v2
• Date: Mon, 02 Feb 2026 15:05:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:32.848007
• Title: OneMall: One Architecture, More Scenarios -- End-to-End Generative Recommender Family at Kuaishou E-Commerce
• Title（参考訳）: OneMall: 1つのアーキテクチャ、より多くのシナリオ -- Kuaishou E-Commerceでのエンド・ツー・エンドのジェネレーティブ・レコメンド・ファミリー
• Authors: Kun Zhang, Jingming Zhang, Wei Cheng, Yansong Cheng, Jiaqi Zhang, Hao Lu, Xu Zhang, Haixiang Gan, Jiangxia Cao, Tenglong Wang, Ximing Zhang, Boyang Xia, Kuo Cai, Shiyao Wang, Hongjian Dou, Jinkai Yu, Mingxing Wen, Qiang Luo, Dongxu Liang, Chenyi Lei, Jun Wang, Runan Liu, Zhaojie Liu, Ruiming Tang, Tingting Gao, Shaoguo Liu, Yuqing Ding, Hui Kong, Han Li, Guorui Zhou, Wenwu Ou, Kun Gai,
• Abstract要約: OneMallは、Kuaishouのeコマースサービスに適したエンドツーエンドのジェネレーティブレコメンデーションフレームワークである。 製品カード、ショートビデオ、ライブストリーミングなど、eコマースの複数のアイテム配信シナリオを統合する。 OneMallはすでにデプロイされており、Kuaishouでは毎日4億人のアクティブユーザーが利用している。
• 参考スコア（独自算出の注目度）: 68.7552227901176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the wave of generative recommendation, we present OneMall, an end-to-end generative recommendation framework tailored for e-commerce services at Kuaishou. Our OneMall systematically unifies the e-commerce's multiple item distribution scenarios, such as Product-card, short-video and live-streaming. Specifically, it comprises three key components, aligning the entire model training pipeline to the LLM's pre-training/post-training: (1) E-commerce Semantic Tokenizer: we provide a tokenizer solution that captures both real-world semantics and business-specific item relations across different scenarios; (2) Transformer-based Architecture: we largely utilize Transformer as our model backbone, e.g., employing Query-Former for long sequence compression, Cross-Attention for multi-behavior sequence fusion, and Sparse MoE for scalable auto-regressive generation; (3) Reinforcement Learning Pipeline: we further connect retrieval and ranking models via RL, enabling the ranking model to serve as a reward signal for end-to-end policy retrieval model optimization. Extensive experiments demonstrate that OneMall achieves consistent improvements across all e-commerce scenarios: +13.01\% GMV in product-card, +15.32\% Orders in Short-Video, and +2.78\% Orders in Live-Streaming. OneMall has been deployed, serving over 400 million daily active users at Kuaishou.
• Abstract（参考訳）: 生成的レコメンデーションの波の中で,クアイショーのeコマースサービスに適したエンドツーエンドの生成的レコメンデーションフレームワークであるOneMallを紹介します。 私たちのOneMallは、プロダクトカード、ショートビデオ、ライブストリーミングなど、Eコマースの複数のアイテム配信シナリオを体系的に統一します。 具体的には,モデルのトレーニングパイプライン全体をLLMの事前トレーニング/ポストトレーニングに合わせる,(1)Eコマース セマンティック・トケナイザー: 現実のセマンティックなセマンティック・トケナイザー: さまざまなシナリオにわたるビジネス固有のアイテム関係をキャプチャするトークンライザソリューションを提供する,(2) トランスフォーマーベースのアーキテクチャ: モデルバックボーンとしてTransformerを大々的に活用する,(2) 長いシーケンス圧縮にQuery-Formerを採用する,3) マルチビヘイビアシーケンスの融合にC-Attentionを,(3) スケーラブルな自動回帰生成にSparse MoEを使用する,(3) 強化学習パイプライン: RLを通じて検索とランキングモデルを接続し,エンドツーエンドのモデル最適化に報酬を提供する,という3つの重要なコンポーネントで構成されています。 大規模な実験は、OneMallがすべてのeコマースシナリオで一貫した改善を実現していることを示している:+13.01\% GMV in product-card、+15.32\% Orders in Short-Video、+2.78\% Orders in Live-Streaming。 OneMallはすでにデプロイされており、Kuaishouでは毎日4億人のアクティブユーザーが利用している。

関連論文リスト

• OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search [43.94443394870866]
  OneSearchは、eコマース検索のための最初の産業向けエンドツーエンド生成フレームワークである。 OneSearchは運用費を75.40%削減し、Model FLOPsの利用を3.26%から27.32%に改善した。 このシステムはKuaishouの複数の検索シナリオにまたがって展開され、数百万のユーザーにサービスを提供している。
  論文  参考訳（メタデータ） (2025-09-03T11:50:04Z)
• Large Foundation Model for Ads Recommendation [50.71446552453167]
  広告レコメンデーションのための全表現多言語移動フレームワーク LFM4Ads を提案する。 LFM4AdsはTencentの産業規模の広告プラットフォームで成功している。
  論文  参考訳（メタデータ） (2025-08-20T10:18:01Z)
• UniECS: Unified Multimodal E-Commerce Search Framework with Gated Cross-modal Fusion [20.13803245640432]
  現在のeコマースマルチモーダル検索システムは2つの重要な制限に直面している。 彼らは、固定されたモダリティペアリングで特定のタスクを最適化し、統一された検索アプローチを評価するための包括的なベンチマークを欠いている。 画像,テキスト,およびそれらの組み合わせにわたるすべての検索シナリオを処理する統合マルチモーダルeコマース検索フレームワークであるUniECSを紹介する。
  論文  参考訳（メタデータ） (2025-08-19T14:06:13Z)
• A Generative Re-ranking Model for List-level Multi-objective Optimization at Taobao [20.11584617315975]
  本稿では,低次リストレベルの多目的最適化問題に対する逐次順序回帰変換器・ジェネレータ (SORT-Gen) を新たに提案する。 SORT-Genは、Taobao Appの複数のシナリオでうまくデプロイされ、多数のユーザに役立っている。
  論文  参考訳（メタデータ） (2025-05-12T03:01:14Z)
• Boosting Virtual Agent Learning and Reasoning: A Step-Wise, Multi-Dimensional, and Generalist Reward Model with Benchmark [72.46357004059661]
  Generalist Virtual Agents (GVA) は自律的なタスク実行において大きな可能性を示している。 これらの課題に対処するため,ステップワイズ多次元ジェネラリスト・リワードモデルを提案する。 同様に、エージェントトレーニング用のきめ細かい信号を提供し、推論時間スケーリングのためのより良いアクションを選択することができる。
  論文  参考訳（メタデータ） (2025-03-24T13:30:47Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• Product1M: Towards Weakly Supervised Instance-Level Product Retrieval via Cross-modal Pretraining [108.86502855439774]
  弱教師付きマルチモーダル・インスタンスレベルの製品検索を目的とした,より現実的な設定について検討する。 実世界のインスタンスレベルの検索において,最も大規模なマルチモーダル化粧品データセットであるProduct1Mをコントリビュートする。 ケースレベルの予測検索(CAPTURE)のためのクロスモーダル・コントラサシブ・プロダクト・トランスフォーマーという新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-07-30T12:11:24Z)

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。