論文の概要: One Model, Two Markets: Bid-Aware Generative Recommendation

• arxiv url: http://arxiv.org/abs/2603.22231v1
• Date: Mon, 23 Mar 2026 17:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.814124
• Title: One Model, Two Markets: Bid-Aware Generative Recommendation
• Title（参考訳）: 1つのモデルと2つの市場:bid-aware Generative Recommendation
• Authors: Yanchen Jiang, Zhe Feng, Christopher P. Mah, Aranyak Mehta, Di Wang,
• Abstract要約: 本稿では,商品関連性と収益化目標を直接生成シーケンスに統合する統合フレームワークを提案する。 制御トークンを導入し、どの項目から広告を表示するかの決定を分離する。 また,リアルタイムな価格設定処理を行うBid-Aware Decoding機構を考案し,推論プロセスに直接入札を注入し,高価値項目に対する評価を行う。
• 参考スコア（独自算出の注目度）: 7.863030229448138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Recommender Systems using semantic ids, such as TIGER (Rajput et al., 2023), have emerged as a widely adopted competitive paradigm in sequential recommendation. However, existing architectures are designed solely for semantic retrieval and do not address concerns such as monetization via ad revenue and incorporation of bids for commercial retrieval. We propose GEM-Rec, a unified framework that integrates commercial relevance and monetization objectives directly into the generative sequence. We introduce control tokens to decouple the decision of whether to show an ad from which item to show. This allows the model to learn valid placement patterns directly from interaction logs, which inherently reflect past successful ad placements. Complementing this, we devise a Bid-Aware Decoding mechanism that handles real-time pricing, injecting bids directly into the inference process to steer the generation toward high-value items. We prove that this approach guarantees allocation monotonicity, ensuring that higher bids weakly increase an ad's likelihood of being shown without requiring model retraining. Experiments demonstrate that GEM-Rec allows platforms to dynamically optimize for semantic relevance and platform revenue.
• Abstract（参考訳）: TIGER(Rajput et al , 2023)のようなセマンティックIDを用いたジェネレーティブレコメンダシステムは、シーケンシャルレコメンデーションにおいて広く採用されている競争パラダイムとして現れている。 しかし、既存のアーキテクチャはセマンティック検索専用に設計されており、広告収入による収益化や商業検索の入札といった問題に対処していない。 GEM-Recは、商業的関連性と収益化目標を直接生成シーケンスに統合する統合フレームワークである。 制御トークンを導入し、どの項目から広告を表示するかの決定を分離する。 これにより、モデルがインタラクションログから直接有効な配置パターンを学習することが可能になる。 これに補完して、リアルタイムな価格設定を処理するBid-Aware Decodingメカニズムを考案し、推論プロセスに直接入札を注入し、高価値アイテムに向けて生成を制御します。 提案手法はアロケーションの単調性を保証し、より高い入札がモデル再トレーニングを必要とせずに広告を表示する可能性の弱さを確実にする。 GEM-Recは、プラットフォームがセマンティック関連性とプラットフォーム収益を動的に最適化できることを示した。

関連論文リスト

• SoliReward: Mitigating Susceptibility to Reward Hacking and Annotation Noise in Video Generation Reward Models [53.19726629537694]
  ビデオ生成モデルと人間の好みのトレーニング後のアライメントは、重要な目標である。 現在のデータ収集パラダイムは、プロンプト内のペアワイズアノテーションに依存しており、ノイズのラベル付けに悩まされている。 ビデオRMトレーニングのための体系的フレームワークであるSoliRewardを提案する。
  論文  参考訳（メタデータ） (2025-12-17T14:28:23Z)
• Sponsored Questions and How to Auction Them [48.75306452169514]
  重要な課題は、ユーザの検索クエリが、真の意図を曖昧にしておくことが多いことだ。 従来の検索から会話型AIへの移行は、新しいアプローチを提供する。 我々は、スポンサード提案とフォローする広告を協調的に最適化するためにVCGメカニズムを採用することができることを示す。
  論文  参考訳（メタデータ） (2025-12-03T17:06:27Z)
• Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
  そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。 提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-19T16:46:11Z)
• OneRec-Think: In-Text Reasoning for Generative Recommendation [55.53292983432484]
  OneRec-Thinkは、対話、推論、パーソナライズされたレコメンデーションをシームレスに統合する統合フレームワークである。 提案した"Think-Ahead"アーキテクチャは,クアイショーの産業展開を効果的に実現し,app Stay Timeの0.159%のアップを実現している。
  論文  参考訳（メタデータ） (2025-10-13T17:20:13Z)
• Bidding-Aware Retrieval for Multi-Stage Consistency in Online Advertising [30.108437268612438]
  Bidding-Aware Retrieval (BAR) はモデルベースの検索フレームワークであり、検索スコア関数に広告入札値を組み込むことで、多段階の不整合に対処する。 BARの中核となる革新はビディン・アウェア・モデリング(Bidding-Aware Modeling)であり、経済的に一貫性のある表現を確保するために単調な学習とマルチタスクの蒸留を通じて入札信号を取り入れている。 大規模なオフライン実験とAlibabaのディスプレイ広告プラットフォームへのフルスケール展開により、BARの有効性が検証された。
  論文  参考訳（メタデータ） (2025-08-07T09:43:34Z)
• EGA-V2: An End-to-end Generative Framework for Industrial Advertising [19.927005856735445]
  EGA-V2(End-to-End Generative Advertising)は、ユーザ興味、POI(point-of-interest)、クリエイティブジェネレーション、広告アロケーション、支払い最適化を体系的にモデル化する最初の統合フレームワークである。 当社の結果は、次世代産業広告システムへの道を開く、完全生成型広告ソリューションのパイオニアとしての可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-05-23T06:55:02Z)
• 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)
• Advancing Ad Auction Realism: Practical Insights & Modeling Implications [2.8413290300628313]
  本稿では,広告主を敵の帯域幅アルゴリズムが支配するエージェントとしてモデル化することで,現代の広告オークションに対する有用な洞察を得ることができることを示す。 ソフトフロアは適切な選択されたリザーブ価格よりも低い収益をもたらし、単一のクエリに注意を向けることさえできる。
  論文  参考訳（メタデータ） (2023-07-21T17:45:28Z)
• Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
  制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。 このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。 上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
  論文  参考訳（メタデータ） (2023-02-02T16:30:33Z)

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。