論文の概要: Tencent Advertising Algorithm Challenge 2025: All-Modality Generative Recommendation

• arxiv url: http://arxiv.org/abs/2604.04976v1
• Date: Sat, 04 Apr 2026 17:05:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.373865
• Title: Tencent Advertising Algorithm Challenge 2025: All-Modality Generative Recommendation
• Title（参考訳）: Tencent Advertising Algorithm Challenge 2025: All-Modality Generative Recommendation
• Authors: Junwei Pan, Wei Xue, Chao Zhou, Xing Zhou, Lunan Fan, Yanbo Wang, Haoran Xin, Zhiyu Hu, Yaozheng Wang, Fengye Xu, Yurong Yang, Xiaotian Li, Junbang Huo, Wentao Ning, Yuliang Sun, Chengguo Yin, Jun Zhang, Shudong Huang, Lei Xiao, Huan Yu, Irwin King, Haijie Gu, Jie Jiang,
• Abstract要約: ジェネレーティブレコメンデーションシステムは、レコメンデーションのための新しいパラダイムとして現れています。 大規模な、現実的で、完全にモダリティのデータを共同で提供する公開ベンチマークがまだ存在しない。 我々は、Tencent Advertising Algorithm Challenge 2025を組織し、この方向の研究を促進する。
• 参考スコア（独自算出の注目度）: 60.36971002553298
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generative recommender systems are rapidly emerging as a new paradigm for recommendation, where collaborative identifiers and/or multi-modal content are mapped into discrete token spaces and user behavior is modelled with autoregressive sequence models. Despite progress on multi-modal recommendation datasets, there is still a lack of public benchmarks that jointly offer large-scale, realistic and fully all-modality data designed specifically for generative recommendation (GR) in industrial advertising. To foster research in this direction, we organised the Tencent Advertising Algorithm Challenge 2025, a global competition built on top of two all-modality datasets for GR: TencentGR-1M and TencentGR-10M. Both datasets are constructed from real de-identified Tencent Ads logs and contain rich collaborative IDs and multi-modal representations extracted with state-of-the-art embedding models. The preliminary track (TencentGR-1M) provides 1 million user sequences with up to 100 interacted items each, where each interaction is labeled with exposure and click signals, while the final track (TencentGR-10M) scales this to 10 million users and explicitly distinguishes between click and conversion events at both the sequence and target level. This paper presents the task definition, data construction process, feature schema, baseline GR model, evaluation protocol, and key findings from top-ranked and award-winning solutions. Our datasets focus on multi-modal sequence generation in an advertising setting and introduce weighted evaluation for high-value conversion events. We release our datasets at https://huggingface.co/datasets/TAAC2025 and baseline implementations at https://github.com/TencentAdvertisingAlgorithmCompetition/baseline_2025 to enable future research on all-modality generative recommendation at an industrial scale. The official website is https://algo.qq.com/2025.
• Abstract（参考訳）: 協調識別子やマルチモーダルコンテンツが離散トークン空間にマッピングされ、ユーザの振る舞いが自己回帰シーケンスモデルでモデル化される。 マルチモーダルなレコメンデーションデータセットの進歩にもかかわらず、産業広告における生成的レコメンデーション(GR)に特化して設計された大規模で現実的で完全な全モダリティデータを共同で提供する公開ベンチマークがまだ存在しない。 この方向の研究を促進するために、我々は、TencentGR-1MとTencentGR-10Mの2つの全モダリティデータセットの上に構築されたグローバルコンペティションであるTencent Advertising Algorithm Challenge 2025を組織した。 どちらのデータセットも、非識別のTencent Adsログから構築されており、リッチなコラボレーティブIDと、最先端の埋め込みモデルで抽出されたマルチモーダル表現を含んでいる。 先行トラック(TencentGR-1M)は100万のユーザシーケンスを最大100項目まで提供し、各インタラクションには露出信号とクリック信号がラベル付けされている一方、最終トラック(TencentGR-10M)はこれを1000万のユーザまでスケールアップし、シーケンスとターゲットレベルのクリックイベントと変換イベントを明確に区別する。 本稿では,タスク定義,データ構築プロセス,特徴スキーマ,ベースラインGRモデル,評価プロトコル,および上位および受賞したソリューションからの重要知見について述べる。 本データセットは広告設定におけるマルチモーダルシーケンス生成に着目し,高値変換イベントの重み付け評価を導入する。 私たちはデータセットをhttps://huggingface.co/datasets/TAAC2025でリリースし、ベースライン実装をhttps://github.com/TencentAdvertisingAlgorithmCompetition/baseline_2025で公開しています。 公式サイトはhttps://algo.qq.com/2025。

関連論文リスト

• AgentExpt: Automating AI Experiment Design with LLM-based Resource Retrieval Agent [36.65355075707938]
  AI研究における重要な応用の1つは、エージェントとベースライン検索による実験設計を自動化することである。 ベースラインおよびデータセットレコメンデーションのための包括的フレームワークを提案する。 我々は、正確な相互作用連鎖を構築して明確な推論連鎖を構築し、解釈可能な正当化を生成するために大きな言語モデルを微調整する推論強化リランカを開発する。
  論文  参考訳（メタデータ） (2025-11-07T01:51:56Z)
• QDER: Query-Specific Document and Entity Representations for Multi-Vector Document Re-Ranking [5.469844680867749]
  本稿では,知識グラフのセマンティクスをマルチベクタモデルに統合することで,アプローチを統一するニューラルリグレードモデルQDERを紹介する。 QDERの重要なイノベーションは、クエリとドキュメントの関係のモデリングである。 まず、これらの微粒化表現を学習注意パターンで変換し、精密マッチングに慎重に選択した数学的操作を適用する。
  論文  参考訳（メタデータ） (2025-10-13T16:31:06Z)
• FORGE: Forming Semantic Identifiers for Generative Retrieval in Industrial Datasets [64.51403245281547]
  FORGEは、産業データセットを使ったジェネレーティブrEtrievalにおけるFOrmingセマンティック識別のベンチマークである。 現実世界のアプリケーションでは、オンラインコンバージェンスを半減するオフライン事前トレーニングスキーマが導入されている。
  論文  参考訳（メタデータ） (2025-09-25T08:44:22Z)
• APIGen-MT: Agentic Pipeline for Multi-Turn Data Generation via Simulated Agent-Human Interplay [86.01901238059261]
  APIGen-MTは検証可能で多様なマルチターンエージェントデータを生成するフレームワークである。 xLAM-2-fc-r 級数で 1B から 70B のパラメータを持つモデル群を訓練する。 我々のモデルは、$tau$-benchとBFCLベンチマークでGPT-4oやClaude 3.5のようなフロンティアモデルより優れている。
  論文  参考訳（メタデータ） (2025-04-04T17:13:57Z)
• Cream of the Crop: Harvesting Rich, Scalable and Transferable Multi-Modal Data for Instruction Fine-Tuning [59.56171041796373]
  我々は、堅牢で効率的なマルチモーダル・インストラクショナルデータを収集する。 インタラクションスタイルを多様性指標とし、マルチモーダルリッチなスタイルラーを用いてデータインストラクションパターンを識別する。 14のマルチモーダルベンチマークによって検証された10以上の実験環境において、ランダムサンプリング、ベースライン戦略、最先端の選択方法に対する一貫した改善を示す。
  論文  参考訳（メタデータ） (2025-03-17T17:11:22Z)
• Generating Realistic Tabular Data with Large Language Models [49.03536886067729]
  大規模言語モデル(LLM)は多様なタスクに使われてきたが、特徴と対象変数の正確な相関は捉えていない。 そこで本研究では,LLMに基づく3つの重要な改良を加えて,実データの特徴クラス相関を正しく把握する手法を提案する。 実験の結果,本手法は下流タスクにおいて,20個のデータセット上で10個のSOTAベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-29T04:14:32Z)
• MedUniSeg: 2D and 3D Medical Image Segmentation via a Prompt-driven Universal Model [27.58715707047272]
  MedUniSegは、2次元および3次元マルチタスクセグメンテーションのためのプロンプト駆動のユニバーサルセグメンテーションモデルである。 MedUniSegは複数のモーダル固有のプロンプトとユニバーサルタスクプロンプトを使用して、モーダルとタスクを正確に特徴づける。 我々は17のサブデータセットからなる総合的マルチモーダル上流データセット上でMedUniSegを評価する。
  論文  参考訳（メタデータ） (2024-10-08T11:04:01Z)
• When Pedestrian Detection Meets Multi-Modal Learning: Generalist Model and Benchmark Dataset [40.24765100535353]
  本稿では,マルチモーダル知覚のための新しい一般化モデルであるMMPedestronを紹介する。 提案手法は,モーダル表現と融合のための統一エンコーダと,歩行者検出のための汎用ヘッドを備える。 マルチモーダルジョイントトレーニングでは、幅広い歩行者検出ベンチマークにおいて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-07-14T09:16:49Z)
• SMART: Scalable Multi-agent Real-time Motion Generation via Next-token Prediction [4.318757942343036]
  本稿では,ベクトル化された地図とエージェント軌跡データを離散的なシーケンストークンにモデル化する,新しい自律走行運動生成パラダイムを提案する。 これらのトークンはデコーダのみのトランスフォーマーアーキテクチャを通じて処理され、次のトークン予測タスクをトレーニングする。 複数のデータセットから10億以上のモーショントークンを収集し、モデルのスケーラビリティを検証しました。
  論文  参考訳（メタデータ） (2024-05-24T16:17:35Z)

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。