論文の概要: Next-Scale Generative Reranking: A Tree-based Generative Rerank Method at Meituan
- arxiv url: http://arxiv.org/abs/2604.05314v1
- Date: Tue, 07 Apr 2026 01:35:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.561808
- Title: Next-Scale Generative Reranking: A Tree-based Generative Rerank Method at Meituan
- Title（参考訳）: 次世代ジェネレーティブリグレード:Meituanにおけるツリーベースジェネレーティブリランク手法
- Authors: Shuli Wang, Changhao Li, Ke Fan, Senjie Kou Junwei Yin, Chi Wang, Yinhua Zhu, Haitao Wang, Xingxing Wang,
- Abstract要約: 本稿では,ユーザからの推薦リストを,粗い方法で徐々に拡張する次世代ジェネレータ(NSG)を提案する。
NSGRはMeituanフードデリバリープラットフォーム上での展開に成功している。
- 参考スコア（独自算出の注目度）: 19.27715432069165
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In modern multi-stage recommendation systems, reranking plays a critical role by modeling contextual information. Due to inherent challenges such as the combinatorial space complexity, an increasing number of methods adopt the generative paradigm: the generator produces the optimal list during inference, while an evaluator guides the generator's optimization during the training phase. However, these methods still face two problems. Firstly, these generators fail to produce optimal generation results due to the lack of both local and global perspectives, regardless of whether the generation strategy is autoregressive or non-autoregressive. Secondly, the goal inconsistency problem between the generator and the evaluator during training complicates the guidance signal and leading to suboptimal performance. To address these issues, we propose the \textbf{N}ext-\textbf{S}cale \textbf{G}eneration \textbf{R}eranking (NSGR), a tree-based generative framework. Specifically, we introduce a next-scale generator (NSG) that progressively expands a recommendation list from user interests in a coarse-to-fine manner, balancing global and local perspectives. Furthermore, we design a multi-scale neighbor loss, which leverages a tree-based multi-scale evaluator (MSE) to provide scale-specific guidance to the NSG at each scale. Extensive experiments on public and industrial datasets validate the effectiveness of NSGR. And NSGR has been successfully deployed on the Meituan food delivery platform.
- Abstract（参考訳）: 現代のマルチステージレコメンデーションシステムでは、文脈情報をモデル化することで、リランクが重要な役割を果たす。
組合せ空間の複雑さのような固有の課題のため、ジェネレータは推論中に最適なリストを生成し、評価器はトレーニングフェーズ中にジェネレータの最適化をガイドする。
しかし、これらの手法は2つの問題に直面している。
第一に、これらのジェネレータは、生成戦略が自己回帰的か非自己回帰的であるかにかかわらず、局所的およびグローバル的視点が欠如しているため、最適な生成結果を生成することができない。
第2に、訓練中のジェネレータと評価器の目標不整合問題は、誘導信号を複雑化し、準最適性能をもたらす。
これらの問題に対処するために,木系生成フレームワークである木系生成フレームワークである木系生成フレームワーク(NSGR)である木系生成フレームワーク(NSGR)を提案する。
具体的には,グローバルな視点とローカルな視点のバランスを保ちながら,ユーザの関心事から微妙な方法でレコメンデーションリストを段階的に拡張する次世代ジェネレータ(NSG)を提案する。
さらに、木に基づくマルチスケール評価器(MSE)を活用して、NSGに対して各スケールでスケール固有のガイダンスを提供するマルチスケール隣接損失を設計する。
公的および産業的なデータセットに関する大規模な実験は、NSGRの有効性を検証する。
そしてNSGRは、Meituanのフードデリバリープラットフォームに成功している。
関連論文リスト
- ARGS: Auto-Regressive Gaussian Splatting via Parallel Progressive Next-Scale Prediction [24.251400178019328]
本稿では,自動回帰型ガウススプラッティング(ARGS)について紹介する。
階層木の使用により、生成プロセスは (mathcalO(log n)) ステップのみを必要とし、そこで (n) は点の数である。
提案手法は, 制御可能な詳細レベル, 視覚的忠実度, 管理可能な時間消費予算を有するマルチスケールガウス表現を効果的に生成する。
論文 参考訳（メタデータ） (2026-04-01T05:21:59Z) - GEMs: Breaking the Long-Sequence Barrier in Generative Recommendation with a Multi-Stream Decoder [54.64137490632567]
本稿では,長期的履歴からユーザのシーケンスをキャプチャする新しい統一フレームワークを提案する。
GEM(Generative Multi-streamer)は、ユーザのシーケンスを3つのストリームに分割する。
大規模産業データセットに対する大規模な実験により、GEMは推奨精度において最先端の手法を大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2026-02-14T06:42:56Z) - SimGR: Escaping the Pitfalls of Generative Decoding in LLM-based Recommendation [68.00727783181289]
推薦システムの中核的な目的は、パーソナライズされたレコメンデーションを可能にするために、アイテムよりもユーザの好みの分布を正確にモデル化することである。
アイテムレベルの嗜好分布を推定する際に,既存の手法が必然的に系統的バイアスを生じさせることを観察する。
textbfSimply textbfGenerative textbfRecommendation (textbfSimGR)を提案する。
論文 参考訳（メタデータ） (2026-02-08T07:26:52Z) - Bringing Reasoning to Generative Recommendation Through the Lens of Cascaded Ranking [107.09842504618369]
ジェネレーティブ・レコメンデーション(GR)は、資源効率の高いレコメンデーションのために、FLOPSの利用率の高いエンド・ツー・エンドのアプローチとして期待されている。
現在のGRモデルは,トークン生成が進むにつれてトークンレベルのバイアスがエスカレートする,重要なtextbfbias増幅問題に悩まされていることを示す。
バイアス増幅問題に対処するためには、GR to 1) がより異質な情報を導入し、2) トークン生成ステップごとにより大きな計算資源を割り当てることが重要である。
論文 参考訳（メタデータ） (2026-02-03T16:10:54Z) - Generative Actor Critic [74.04971271003869]
Generative Actor Critic (GAC) は、軌道上での関節分布の生成モデル学習として、テキスト政治評価を反映して、シーケンシャルな意思決定を分離する新しいフレームワークである。
Gym-MuJoCoとMaze2Dベンチマークの実験では、GACの強いオフライン性能と、最先端の手法と比較してオフラインからオフラインへの大幅な改善が示されている。
論文 参考訳（メタデータ） (2025-12-25T06:31:11Z) - GReF: A Unified Generative Framework for Efficient Reranking via Ordered Multi-token Prediction [12.254397628788647]
ランク付けは、項目間のリスト内相関をモデル化する上で重要な役割を果たす。
最近の研究は2段階(ジェネレータ・評価器)パラダイムを踏襲している。
本稿では,2つの主要な課題に対処するため,GReF(Unified Generative Efficient Re rank Framework)を提案する。
論文 参考訳（メタデータ） (2025-10-29T06:54:42Z) - GFlowGR: Fine-tuning Generative Recommendation Frameworks with Generative Flow Networks [36.39484385717512]
本稿では、生成勧告(GR)を多段階生成タスクとして扱い、GFlowNetsベースの微調整フレームワーク(GFlowGR)を構築する。
提案フレームワークは,従来のレコメンデータシステムからの協調的知識を統合し,適応的軌道サンプリングと包括的報酬モデルを作成する。
論文 参考訳（メタデータ） (2025-06-19T08:04:31Z) - NLGR: Utilizing Neighbor Lists for Generative Rerank in Personalized Recommendation Systems [13.848284819312953]
ジェネレーティブリジェネレータの近隣リストモデルは、空間におけるジェネレータのパフォーマンスを改善することを目的としている。
本稿では,既存のリストから任意の隣接リストへ柔軟にジャンプ可能な,サンプリングに基づく非自己回帰生成手法を提案する。
NLGRの有効性を実証し,NLGRをMeituanフードデリバリープラットフォームに導入することに成功している。
論文 参考訳（メタデータ） (2025-02-10T02:06:17Z) - Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル
GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。
本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
論文 参考訳（メタデータ） (2023-04-22T15:32:59Z)
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。