論文の概要: OneRanker: Unified Generation and Ranking with One Model in Industrial Advertising Recommendation
- arxiv url: http://arxiv.org/abs/2603.02999v2
- Date: Wed, 04 Mar 2026 09:01:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 14:47:28.983888
- Title: OneRanker: Unified Generation and Ranking with One Model in Industrial Advertising Recommendation
- Title（参考訳）: OneRanker: 産業広告勧告における1つのモデルによる統一世代とランク付け
- Authors: Dekai Sun, Yiming Liu, Jiafan Zhou, Xun Liu, Chenchen Yu, Yi Li, Huan Yu, Jun Zhang,
- Abstract要約: 生成とランキングのアーキテクチャレベルでの深い統合を実現するOneRankerを提案する。
我々は、粗大できめ細かな協調目標認識機構を構築する。
TencentのWeiXinチャネル広告システムへの完全な展開は、主要なビジネス指標を大幅に改善したことを示している。
- 参考スコア（独自算出の注目度）: 16.27240743307534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The end-to-end generative paradigm is revolutionizing advertising recommendation systems, driving a shift from traditional cascaded architectures towards unified modeling. However, practical deployment faces three core challenges: the misalignment between interest objectives and business value, the target-agnostic limitation of generative processes, and the disconnection between generation and ranking stages. Existing solutions often fall into a dilemma where single-stage fusion induces optimization tension, while stage decoupling causes irreversible information loss. To address this, we propose OneRanker, achieving architectural-level deep integration of generation and ranking. First, we design a value-aware multi-task decoupling architecture. By leveraging task token sequences and causal mask, we separate interest coverage and value optimization spaces within shared representations, effectively alleviating target conflicts. Second, we construct a coarse-to-fine collaborative target awareness mechanism, utilizing Fake Item Tokens for implicit awareness during generation and a ranking decoder for explicit value alignment at the candidate level. Finally, we propose input-output dual-side consistency guarantees. Through Key/Value pass-through mechanisms and Distribution Consistency (DC) Constraint Loss, we achieve end-to-end collaborative optimization between generation and ranking. The full deployment on Tencent's WeiXin channels advertising system has shown a significant improvement in key business metrics (GMV - Normal +1.34\%), providing a new paradigm with industrial feasibility for generative advertising recommendations.
- Abstract（参考訳）: エンドツーエンドの生成パラダイムは、広告レコメンデーションシステムに革命をもたらし、従来のカスケードアーキテクチャから統一モデリングへのシフトを促します。
しかし、実際的な展開は、利害目的とビジネス価値の相違、生成過程の目標-非依存的制限、生成段階とランキング段階の切り離しの3つの主要な課題に直面している。
既存の解はしばしばジレンマに陥り、1段階の融合は最適化の緊張を引き起こすが、ステージの切り離しは不可逆的な情報損失を引き起こす。
そこで本稿では,生成とランキングのアーキテクチャレベルでの深い統合を実現するOneRankerを提案する。
まず、価値を意識したマルチタスクデカップリングアーキテクチャを設計する。
タスクトークンシーケンスと因果マスクを利用することで、共有表現内の関心範囲と価値最適化空間を分離し、ターゲットの競合を効果的に緩和する。
第2に、生成中の暗黙的な認識に偽アイテムトークンを利用する粗大な協調目標認識機構と、候補レベルでの明示的な値アライメントのためのランキングデコーダを構築する。
最後に,入力出力の両面整合性保証を提案する。
キー/バリューパススルー機構と分散一貫性(DC)制約損失を通じて、生成とランキングの間のエンドツーエンドの協調最適化を実現する。
TencentのWeiXinチャネル広告システムへの完全な展開は、主要なビジネス指標(GMV - Normal +1.34\%)を大幅に改善し、生成的広告レコメンデーションの工業的実現性を備えた新しいパラダイムを提供する。
関連論文リスト
- PIT: A Dynamic Personalized Item Tokenizer for End-to-End Generative Recommendation [10.959841655014387]
PITは動的パーソナライズされたアイテムトークン作成フレームワークで、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を提供する。
協調的な信号アライメントを通じて協調的なパターンを調和させる、共同生成アーキテクチャを採用している。
実世界のデータセットの実験は、PITが一貫して競争ベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2026-02-09T11:28:56Z) - PRISM: Purified Representation and Integrated Semantic Modeling for Generative Sequential Recommendation [28.629759086187352]
本稿では,PRISMとPureified RepresentationとIntegrated Semantic Modelingを組み合わせた新しい生成レコメンデーションフレームワークを提案する。
PRISMは4つの実世界のデータセットで、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-01-23T08:50:16Z) - MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。
我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。
本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
論文 参考訳（メタデータ） (2026-01-12T05:02:48Z) - 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) - Beyond Confidence: Adaptive and Coherent Decoding for Diffusion Language Models [64.92045568376705]
コヒーレントコンテキストデコーディング(Coherent Contextual Decoding, CCD)は、2つのコアイノベーションに基づいて構築された新しい推論フレームワークである。
CCDは、歴史的文脈を活用してシーケンスコヒーレンスを高める軌道修正機構を採用している。
拡散ステップに基づく厳密なアロケーションの代わりに,各ステップのアンマスク予算を動的に調整する適応型サンプリング戦略を導入する。
論文 参考訳（メタデータ） (2025-11-26T09:49:48Z) - GPR: Towards a Generative Pre-trained One-Model Paradigm for Large-Scale Advertising Recommendation [38.48999566011862]
GPR(Generative Pre-trained Recommender)は,広告推薦をエンドツーエンド生成タスクとして再定義するワンモデルフレームワークである。
統一表現、ネットワークアーキテクチャ、トレーニング戦略にまたがる3つの重要なイノベーションを紹介します。
GPRはTencent Weixin Channelsの広告システムに完全にデプロイされており、主要なビジネスメトリクスを大幅に改善している。
論文 参考訳（メタデータ） (2025-11-13T09:50:53Z) - DeepThinkVLA: Enhancing Reasoning Capability of Vision-Language-Action Models [51.76664843721462]
DeepThinkVLAはVision-Language-Actionモデルのための新しいアーキテクチャである。
因果的注意を伴うシーケンシャルCoTを生成し、双方向の注意に切り替え、アクションベクトルを高速に復号する。
LIBEROベンチマークで97.0%の成功率を達成した。
論文 参考訳（メタデータ） (2025-10-31T05:26:16Z) - OnePiece: Bringing Context Engineering and Reasoning to Industrial Cascade Ranking System [61.12400636463362]
OnePieceは、LLMスタイルのコンテキストエンジニアリングと推論を、検索モデルとランキングモデルの両方にシームレスに統合する統合フレームワークである。
OnePieceは、Shopeeの主要なパーソナライズされた検索シナリオにデプロイされ、さまざまな主要なビジネス指標で一貫したオンラインゲインを実現している。
論文 参考訳（メタデータ） (2025-09-22T17:59:07Z) - Practice on Long Behavior Sequence Modeling in Tencent Advertising [75.65309022911994]
時系列モデリングは,ユーザの長期的嗜好を捉えるためのレコメンデーションシステムにおいて,欠かせないフロンティアとなっている。
長周期モデリングのための2段階フレームワークの実践的アプローチをいくつか提案する。
Tencentの大規模広告プラットフォーム上で本番環境にデプロイされた当社のイノベーションは、大幅なパフォーマンス向上を実現しました。
論文 参考訳（メタデータ） (2025-09-10T06:55:57Z) - EGA-V1: Unifying Online Advertising with End-to-End Learning [17.943921299281207]
EGA-V1は、オンライン広告ランキングを一つのモデルとして統一するエンドツーエンドの生成アーキテクチャである。
EGA-V1はカスケードステージを1つのモデルに置き換え、完全な候補広告コーパスから最適な広告シーケンスを直接生成する。
論文 参考訳（メタデータ） (2025-05-26T09:33:54Z) - EAGER: Two-Stream Generative Recommender with Behavior-Semantic Collaboration [63.112790050749695]
本稿では,行動情報と意味情報の両方をシームレスに統合する新しい生成推薦フレームワークであるEAGERを紹介する。
EAGERの有効性を4つの公開ベンチマークで検証し,既存手法と比較して優れた性能を示した。
論文 参考訳（メタデータ） (2024-06-20T06:21:56Z)
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。