論文の概要: Unified Learning-to-Rank for Multi-Channel Retrieval in Large-Scale E-Commerce Search
- arxiv url: http://arxiv.org/abs/2602.23530v2
- Date: Wed, 04 Mar 2026 18:52:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 14:47:28.684143
- Title: Unified Learning-to-Rank for Multi-Channel Retrieval in Large-Scale E-Commerce Search
- Title（参考訳）: 大規模Eコマース検索におけるマルチチャネル検索のための統一学習手法
- Authors: Aditya Gaydhani, Guangyue Xu, Dhanush Kamath, Ankit Singh, Alex Li,
- Abstract要約: 大規模なeコマース検索は、ベストセラー製品から新しい、トレンド、季節的なアイテムまで、幅広いカタログから幅広いアイテムを検索しなければならない。
重要な課題は、厳格なレイテンシ制約の下で、不均一なチャネルからドキュメントを単一のランクリストに効果的にマージする方法である。
本稿では,複数の検索チャネルから文書のマージとランク付けを学習する統一的なランキングモデルを提案する。
- 参考スコア（独自算出の注目度）: 3.4702155400466013
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large-scale e-commerce search must surface a broad set of items from a vast catalog, ranging from bestselling products to new, trending, or seasonal items. Modern systems therefore rely on multiple specialized retrieval channels to surface products, each designed to satisfy a specific objective. A key challenge is how to effectively merge documents from these heterogeneous channels into a single ranked list under strict latency constraints while optimizing for business KPIs such as user conversion. Rank-based fusion methods such as Reciprocal Rank Fusion (RRF) and Weighted Interleaving rely on fixed global channel weights and treat channels independently, failing to account for query-specific channel utility and cross-channel interactions. We observe that multi-channel fusion can be reformulated as a query-dependent learning-to-rank problem over heterogeneous candidate sources. In this paper, we propose a unified ranking model that learns to merge and rank documents from multiple retrieval channels. We formulate the problem as a channel-aware learning-to-rank task that jointly optimizes clicks, add-to-carts, and purchases while incorporating channel-specific objectives. We further incorporate recent user behavioral signals to capture short-term intent shifts that are critical for improving conversion in multi-channel ranking. Our online A/B experiments show that the proposed approach outperforms rank-based fusion methods, leading to a +2.85\% improvement in user conversion. The model satisfies production latency requirements, achieving a p95 latency of under 50\,ms, and is deployed on Target.com.
- Abstract（参考訳）: 大規模なeコマース検索は、ベストセラー製品から新しい、トレンド、季節的なアイテムまで、幅広いカタログから幅広いアイテムを検索しなければならない。
したがって、現代のシステムは、特定の目的を満たすように設計された製品をサーフェスするために、複数の特別な検索チャネルに依存している。
重要な課題は、ユーザ変換などのビジネスKPIを最適化しながら、これらの異種チャネルからのドキュメントを厳格なレイテンシ制約の下で単一のランクリストに効果的にマージする方法である。
Reciprocal Rank Fusion (RRF) や Weighted Interleaving のようなランクベースの融合法は、固定されたグローバルチャネルの重み付けに依存し、チャンネルを個別に扱う。
我々は、多チャンネル融合を、不均一な候補ソース上でのクエリ依存の学習-ランク問題として再定義することができることを観察した。
本稿では,複数の検索チャネルから文書のマージとランク付けを学習する統一的なランキングモデルを提案する。
我々は、チャネル固有の目的を取り入れつつ、クリック、追加、購入を共同で最適化するチャネル認識型学習 to ランクタスクとして問題を定式化する。
さらに、近年のユーザ行動信号を用いて、複数チャンネルランキングにおける変換の改善に重要な短期的な意図変化を捉える。
オンラインA/B実験の結果,提案手法はランクベース融合法より優れており,ユーザ変換が2.85%向上していることがわかった。
このモデルは、50\,ms未満のp95レイテンシを達成し、本番の待ち時間要件を満たし、Target.comにデプロイされる。
関連論文リスト
- Enhancing Long Video Generation Consistency without Tuning [92.1714656167712]
単一のプロンプトまたは複数のプロンプトで生成されたビデオの一貫性とコヒーレンスを高めるための課題に対処する。
本稿では,時間周波数に基づく時間的注意再重み付けアルゴリズム(TiARA)を提案する。
複数のプロンプトによって生成されたビデオに対しては、プロンプトのアライメントがプロンプトの品質に影響を及ぼすといった重要な要因をさらに明らかにする。
提案するPromptBlendは,プロンプトを系統的に整列させるプロンプトパイプラインである。
論文 参考訳（メタデータ） (2024-12-23T03:56:27Z) - Unleashing the Potential of Multi-Channel Fusion in Retrieval for Personalized Recommendations [33.79863762538225]
Recommender System(RS)の重要な課題は、大量のアイテムプールを効率的に処理して、厳格なレイテンシ制約の下で高度にパーソナライズされたレコメンデーションを提供することだ。
本稿では,各チャネルに最適化された重みを割り当てることで,先進的なチャネル融合戦略を検討する。
当社の手法はパーソナライズと柔軟性を両立させ,複数のデータセット間で大幅なパフォーマンス向上を実現し,現実のデプロイメントにおいて大きな成果を上げている。
論文 参考訳（メタデータ） (2024-10-21T14:58:38Z) - SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。
いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。
本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
論文 参考訳（メタデータ） (2024-04-22T14:06:35Z) - Adaptive Channel Allocation for Robust Differentiable Architecture Search [22.898344333732044]
微分可能なArchiTecture Search(DARTS)は、その単純さと効率の大幅な向上により、多くの注目を集めている。
スキップ接続の過度な蓄積は、訓練エポックが大きくなると、安定性とロバスト性に悩まされる。
より微妙で直接的なアプローチとして,検索段階における接続のスキップを明示的に検索しないアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-10T13:25:36Z) - Re-ranking With Constraints on Diversified Exposures for Homepage
Recommender System [7.618705258302672]
本稿では,ホームページレコメンデーションシステムの2段階アーキテクチャを提案する。
最初の段階では、適切なチャネルにアイテムを推薦する効率的なアルゴリズムを開発する。
第2段階では、各チャンネルに順序づけられたアイテムのリストを提供する。
論文 参考訳（メタデータ） (2021-12-12T09:34:50Z) - Group Fisher Pruning for Practical Network Compression [58.25776612812883]
本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。
我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。
提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
論文 参考訳（メタデータ） (2021-08-02T08:21:44Z) - Decoupled and Memory-Reinforced Networks: Towards Effective Feature
Learning for One-Step Person Search [65.51181219410763]
歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。
現在のワンステップアプローチには2つの大きな課題があります。
本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
論文 参考訳（メタデータ） (2021-02-22T06:19:45Z) - Deep Multimodal Fusion by Channel Exchanging [87.40768169300898]
本稿では,異なるモードのサブネットワーク間で動的にチャネルを交換するパラメータフリーマルチモーダル融合フレームワークを提案する。
このような交換プロセスの有効性は、畳み込みフィルタを共有してもBN層をモダリティで分離しておくことで保証される。
論文 参考訳（メタデータ） (2020-11-10T09:53:20Z) - Sample-Rank: Weak Multi-Objective Recommendations Using Rejection
Sampling [0.5156484100374059]
本稿では,マルチゴールサンプリングとユーザ関連度(Sample-Rank)のランク付けによるマーケットプレースの多目的目標への推薦手法を提案する。
提案手法の新規性は,望まれるマルチゴール分布からサンプリングするMOレコメンデーション問題を低減し,プロダクションフレンドリーな学習-ランクモデルを構築することである。
論文 参考訳（メタデータ） (2020-08-24T09:17:18Z) - Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。
我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
論文 参考訳（メタデータ） (2020-07-08T07:44:00Z)
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。