論文の概要: A Cascaded Generative Approach for e-Commerce Recommendations

• arxiv url: http://arxiv.org/abs/2605.11118v1
• Date: Mon, 11 May 2026 18:27:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.354668
• Title: A Cascaded Generative Approach for e-Commerce Recommendations
• Title（参考訳）: 電子商取引レコメンデーションのためのケースドジェネレーティブアプローチ
• Authors: Moein Hasani, Hamidreza Shahidi, Trace Levinson, Yuan Zhong, Guanghua Shu, Vinesh Gudla, Tejaswi Tenneti,
• Abstract要約: 本稿では,ストアフロント構築を2つの生成タスクに分解する,ケースケードメルチャンディジングフレームワークを提案する。 ファインチューニングされたモデルアブレーションは、閉軽量LLM性能に近づくことが示されている。 オンライン実験では、このフレームワークはページビュー当たりのカートの昇降率を+2.7%と見積もっている。
• 参考スコア（独自算出の注目度）: 2.1778153424356885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized storefronts in large e-commerce marketplaces are often assembled from many independent components: static themes per page section ("placement"), retrieval systems to fetch eligible products per placement, and pointwise rankers to order content. While effective in optimizing for aggregate preferences, this paradigm is rigid and can limit personalization and semantic cohesion across the page. This makes it poorly suited to support dynamic objectives and merchandising requirements over time. To address this, we introduce a cascaded merchandising framework that decomposes storefront construction into two generative tasks: (i) placement-level theme generation and (ii) constrained keyword generation per placement to power product retrieval. Teacher-student fine-tuning is leveraged to improve scalability of this framework under production latency and cost constraints. Fine-tuned model ablations are shown to approach closed-weight LLM performance. We further contribute frameworks for AI-driven content evaluation and quality filtering, enabling safe and automated deployment of dynamic content at scale. Generative output is fused with traditional ranking models to preserve hybrid infrastructure. In online experiments, this framework yields an estimated +2.7% lift in cart adds per page view over a strong baseline.
• Abstract（参考訳）: 大規模なeコマースマーケットプレースにおけるパーソナライズされたストアフロントは、ページ単位の静的テーマ(配置)、配置ごとに適切な商品を取得する検索システム、コンテンツを注文するポイントワイドローダなど、多くの独立したコンポーネントから組み立てられることが多い。 集約的選好の最適化には有効であるが、このパラダイムは厳格であり、ページ全体のパーソナライズとセマンティックな結束を制限することができる。 これにより、動的目的のサポートや、時間の経過とともに要件のマーチャンズにはあまり適さない。 これを解決するために、店頭構築を2つの生成タスクに分解するカスケード・マーチャンディジング・フレームワークを導入する。 (i)配置レベルのテーマ生成・生成 (II) 電力製品検索のための配置毎の制約付きキーワード生成。 教師による微調整は、本番のレイテンシとコストの制約の下で、このフレームワークのスケーラビリティを改善するために利用されます。 ファインチューニングされたモデルアブレーションは、閉軽量LLM性能に近づくことが示されている。 さらに、AIによるコンテンツ評価と品質フィルタリングのためのフレームワークを提供し、大規模に動的コンテンツの安全かつ自動化されたデプロイを可能にします。 生成的アウトプットは、ハイブリッドインフラストラクチャを維持するために、従来のランキングモデルと融合する。 オンライン実験では、このフレームワークは強力なベースライン上でページビュー当たりのカートの昇降率が+2.7%と見積もられている。

関連論文リスト

• OneMall: One Architecture, More Scenarios -- End-to-End Generative Recommender Family at Kuaishou E-Commerce [68.7552227901176]
  OneMallは、Kuaishouのeコマースサービスに適した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フレームワークである。 製品カード、ショートビデオ、ライブストリーミングなど、eコマースの複数のアイテム配信シナリオを統合する。 OneMallはすでにデプロイされており、Kuaishouでは毎日4億人のアクティブユーザーが利用している。
  論文  参考訳（メタデータ） (2026-01-29T14:22:39Z)
• Benchmarking Multimodal Large Language Models for Missing Modality Completion in Product Catalogues [19.732113077201326]
  製品イメージの欠如やテキスト記述など、eコマースプラットフォーム上のモダリティの欠如は、しばしばアノテーションエラーや不完全なメタデータから生じる。 マルチモーダルな大規模言語モデルは、eコマースのシナリオで製品に欠けているモダリティを生成することができるか? 本稿では,コンテンツ品質コンプリートベンチマークと推奨ベンチマークの2つのサブベンチマークからなるMMPCBenchを提案する。 我々は、Qwen2.5-VLおよびGemma-3モデルファミリーから、9つの実世界のeコマースカテゴリーの6つの最先端MLLMを評価し、焦点を当てた。
  論文  参考訳（メタデータ） (2026-01-27T16:13:26Z)
• IAR2: Improving Autoregressive Visual Generation with Semantic-Detail Associated Token Prediction [77.06211178777939]
  IAR2は、階層的なセマンティックディーテール合成プロセスを可能にする高度な自己回帰フレームワークである。 我々は、IAR2が自動回帰画像生成のための新しい最先端技術を設定し、ImageNet上で1.50のFIDを達成することを示す。
  論文  参考訳（メタデータ） (2025-10-08T12:08:21Z)
• 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)
• OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search [43.94443394870866]
  OneSearchは、eコマース検索のための最初の産業向けエンドツーエンド生成フレームワークである。 OneSearchは運用費を75.40%削減し、Model FLOPsの利用を3.26%から27.32%に改善した。 このシステムはKuaishouの複数の検索シナリオにまたがって展開され、数百万のユーザーにサービスを提供している。
  論文  参考訳（メタデータ） (2025-09-03T11:50:04Z)
• Semantic Ads Retrieval at Walmart eCommerce with Language Models Progressively Trained on Multiple Knowledge Domains [6.1008328784394]
  Walmart.comの広告検索システムを最適化するために,エンド・ツー・エンドのソリューションを提案する。 当社のアプローチは,製品カテゴリ情報を用いたBERTライクな分類モデルを事前学習することである。 ベースラインDSSMベースのモデルと比較して,検索関連度を最大16%向上させる。
  論文  参考訳（メタデータ） (2025-02-13T09:01:34Z)
• Multi-output Headed Ensembles for Product Item Classification [0.9053163124987533]
  本稿では,eコマースカタログを対象としたディープラーニングに基づく分類モデルフレームワークを提案する。 我々は、ロバストな業界標準ベースラインモデルに対する改善を示す。 また,ユーザセッションを用いたモデル性能評価手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T01:23:36Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)

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。