論文の概要: GRAB: An LLM-Inspired Sequence-First Click-Through Rate Prediction Modeling Paradigm
- arxiv url: http://arxiv.org/abs/2602.01865v2
- Date: Tue, 03 Feb 2026 06:32:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 16:18:58.864939
- Title: GRAB: An LLM-Inspired Sequence-First Click-Through Rate Prediction Modeling Paradigm
- Title（参考訳）: GRAB: LLMにインスパイアされたシーケンスファーストクリックスルーレート予測パラメータ
- Authors: Shaopeng Chen, Chuyue Xie, Huimin Ren, Shaozong Zhang, Han Zhang, Ruobing Cheng, Zhiqiang Cao, Zehao Ju, Yu Gao, Jie Ding, Xiaodong Chen, Xuewu Jiao, Shuanglong Li, Liu Lin,
- Abstract要約: そこで我々は,Click-Through Rate (CTR) 予測のためのエンドツーエンド生成フレームワークである Baidu (GRAB) における広告生成ランキングを提案する。
GRABは、新しいCausal Action-aware Multi-channel Attention (CamA) メカニズムを統合し、ユーザの行動シーケンス内の時間的ダイナミクスと特定のアクションシグナルを効果的にキャプチャする。
- 参考スコア（独自算出の注目度）: 15.493170187660192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional Deep Learning Recommendation Models (DLRMs) face increasing bottlenecks in performance and efficiency, often struggling with generalization and long-sequence modeling. Inspired by the scaling success of Large Language Models (LLMs), we propose Generative Ranking for Ads at Baidu (GRAB), an end-to-end generative framework for Click-Through Rate (CTR) prediction. GRAB integrates a novel Causal Action-aware Multi-channel Attention (CamA) mechanism to effectively capture temporal dynamics and specific action signals within user behavior sequences. Full-scale online deployment demonstrates that GRAB significantly outperforms established DLRMs, delivering a 3.05% increase in revenue and a 3.49% rise in CTR. Furthermore, the model demonstrates desirable scaling behavior: its expressive power shows a monotonic and approximately linear improvement as longer interaction sequences are utilized.
- Abstract（参考訳）: 従来のDeep Learning Recommendation Models(DLRM)は、パフォーマンスと効率のボトルネックを増大させ、しばしば一般化と長いシーケンスモデリングに悩まされている。
LLM(Large Language Models)のスケールアップの成功に触発されて,Click-Through Rate (CTR)予測のためのエンドツーエンド生成フレームワークである Baidu (GRAB) における広告生成ランク付けを提案する。
GRABは、新しいCausal Action-aware Multi-channel Attention (CamA) メカニズムを統合し、ユーザの行動シーケンス内の時間的ダイナミクスと特定のアクションシグナルを効果的にキャプチャする。
フルスケールのオンライン展開は、GRABがDLRMを著しく上回り、収益は3.05%増加し、CTRは3.49%上昇したことを示している。
さらに、このモデルは望ましいスケーリング挙動を示し、その表現力は、長い相互作用シーケンスが利用されるにつれて、単調でほぼ線形な改善を示す。
関連論文リスト
- GAP-Net: Calibrating User Intent via Gated Adaptive Progressive Learning for CTR Prediction [0.6372261626436676]
GAP-Netは、マイクロレベルの機能からマクロレベルのビューまで、情報を段階的に洗練する"トリプルゲーティング"アーキテクチャを確立する統一フレームワークである。
最先端のベースラインよりも大幅に改善され、相互作用ノイズや意図の漂流に対して優れた堅牢性を示す。
論文 参考訳（メタデータ） (2026-01-12T15:01:12Z) - Emergent temporal abstractions in autoregressive models enable hierarchical reinforcement learning [61.380634253724594]
次トーケン予測に基づく大規模自己回帰モデルの構築と強化学習(RL)による微調整
自己回帰モデルの内部表現を動作させ,探索することにより,この問題を克服できることを示す。
論文 参考訳（メタデータ） (2025-12-23T18:51:50Z) - Dual-Stream Diffusion for World-Model Augmented Vision-Language-Action Model [62.889356203346985]
本稿では,モダリティ競合を処理する世界モデル拡張VLAフレームワークである Dual-STream diffusion (DUST) を提案する。
DUSTは標準のVLAベースラインと暗黙のワールドモデリングメソッドよりも最大6%向上する。
Franka Research 3による実世界のタスクでは、DUSTは成功率のベースラインを13%上回っている。
論文 参考訳（メタデータ） (2025-10-31T16:32:12Z) - TransAct V2: Lifelong User Action Sequence Modeling on Pinterest Recommendation [6.683452225202682]
本稿では,PinterestのHomefeedランキングシステムの生産モデルであるTransAct V2を紹介する。
1) CTR予測を改善するために非常に長いユーザシーケンスを活用すること、2) ユーザアクション予測を改善するためにNext Action Loss関数を統合すること、3) 拡張されたユーザアクションシーケンスの計算要求を処理するように調整されたスケーラブルで低レイテンシなデプロイメントソリューションを採用すること、である。
論文 参考訳（メタデータ） (2025-06-02T21:15:20Z) - FuXi-$α$: Scaling Recommendation Model with Feature Interaction Enhanced Transformer [81.12174905444229]
近年の進歩は、大規模レコメンデーションモデルに逐次レコメンデーションモデルを拡張することが効果的な戦略であることを示している。
これらの問題に対処するために、FuXi-$alpha$と呼ばれる新しいモデルを提案する。
我々のモデルは既存のモデルよりも優れており、モデルのサイズが大きくなるにつれてその性能は継続的に向上する。
論文 参考訳（メタデータ） (2025-02-05T09:46:54Z) - Causality-Enhanced Behavior Sequence Modeling in LLMs for Personalized Recommendation [47.29682938439268]
本稿では,ユーザ嗜好モデルを改善するために,CFT法を提案する。
モデル出力に対する行動系列の因果的影響を特定するために, 反ファクト推論を用いる。
実世界のデータセットの実験により、CFTは行動シーケンスモデリングを効果的に改善することを示した。
論文 参考訳（メタデータ） (2024-10-30T08:41:13Z) - Behavior-Dependent Linear Recurrent Units for Efficient Sequential Recommendation [18.75561256311228]
RecBLRは、振舞い依存リニアリカレントユニットに基づく効率的なシークエンシャルレコメンデーションモデルである。
本モデルは,ユーザの行動モデリングとレコメンデーション性能を大幅に向上させる。
論文 参考訳（メタデータ） (2024-06-18T13:06:58Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z)
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。