論文の概要: TubiFM: Unified Item, Carousel, and Search Ranking for Streaming Discovery

• arxiv url: http://arxiv.org/abs/2605.23702v1
• Date: Fri, 22 May 2026 14:53:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.397451
• Title: TubiFM: Unified Item, Carousel, and Search Ranking for Streaming Discovery
• Title（参考訳）: TubiFM: ストリーミング発見のための統一アイテム、カルーセル、検索ランキング
• Authors: Alexandre Salle, Chenglei Niu, Suchismit Mahapatra, Xiaoxiao Chen, Suvash Sedhain, Yaqi Wang, Shervin Shahryari, Saurabh Agrawal, Qiang Chen, Michael Tamir,
• Abstract要約: ユーザストーリは,ユーザのクロスサイト履歴を単一トークンシーケンスに変換するシリアライズされた表現である。 トレーニング済みの言語トークンとドメイン固有のイベントトークンをインターリーブすることで、ユーザストーリーは異質なレコメンデーションと検索タスクを表現できる。 TubiFMは、ユーザストーリーに基づいてトレーニングされ、アイテム、カルーセル、検索結果のランク付けを促すLlama 3.2 1Bベースのモデルである。
• 参考スコア（独自算出の注目度）: 35.625520110853024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized discovery systems often train separate models for item ranking, carousel ranking, and search, even though these tasks expose complementary signals from the same viewer journey: watches shape carousel and item ranking, search queries reveal intent even when they do not lead to a catalog match, and watch history helps interpret search as rewatching, continuation, or new discovery. We introduce the user story, a serialized representation that turns a user's cross-surface history - attributes, sessions, watch events with surface and carousel context, and search events - into a single token sequence. By interleaving pretrained language tokens with domain-specific event tokens, user stories let heterogeneous recommendation and search tasks be expressed as prompted next-token prediction over a shared grammar. TubiFM is one instantiation of this approach: a Llama 3.2 1B-based model trained on user stories and prompted to rank items, carousels, or search results without task-specific architectures. In offline evaluation, this single model outperforms specialist baselines across item, carousel, and search ranking. In online A/B tests, TubiFM significantly improves search total viewing time (TVT) by $+3.9\%$ and carousel TVT by $+0.30\%$. Item ranking is statistically neutral on TVT ($+0.14\%$), but matches a mature production stack; across all three tasks, TubiFM serves on L40S GPUs and reduces p99 ranking latency from 500ms to 200ms. These results show that shared user stories can improve discovery while simplifying ranking systems.
• Abstract（参考訳）: パーソナライズされた発見システムは、アイテムランキング、カルーセルランキング、検索のための別々のモデルを訓練することが多いが、これらのタスクは、同じビューアジャージャージャージャージャージャージャーの補完的なシグナルを表現している: 形状のカルーセルとアイテムランキング、検索クエリは、カタログマッチングに導いなくても意図を明らかにし、履歴は、検索をリウォッチング、継続、または新しい発見として解釈するのに役立つ。 ユーザストーリは、属性、セッション、表面およびカルーセルコンテキストによるイベントの監視、検索イベントといった、ユーザのクロスサイト履歴を単一のトークンシーケンスに変換するシリアライズされた表現である。 事前訓練された言語トークンとドメイン固有のイベントトークンをインターリーブすることにより、ユーザストーリーは異質なレコメンデーションと検索タスクを、共有文法上の次のトークン予測のトリガーとして表現する。 TubiFMは、ユーザストーリーに基づいてトレーニングされ、タスク固有のアーキテクチャなしでアイテム、カルーセル、検索結果をランク付けするよう促されたLlama 3.2 1Bベースのモデルである。 オフライン評価では、この単一モデルは、アイテム、カルーセル、検索ランキングで専門家のベースラインを上回っている。 オンラインA/Bテストでは、TubiFMは検索総視聴時間(TVT)を+3.9\%$、カルーセルTVTを+0.30\%$で大幅に改善している。 アイテムランキングは、TVT(+0.14\%$)では統計的に中立だが、成熟したプロダクションスタックと一致している。 これらの結果から,共有ユーザストーリーは,ランキングシステムを簡素化しながら発見を改善することができることがわかった。

関連論文リスト

• RecGaze: The First Eye Tracking and User Interaction Dataset for Carousel Interfaces [58.695627866883065]
  カルーセルに関する最初の包括的なフィードバックデータセットであるRecGazeデータセットを紹介します。 データセットは、3つの映画選択タスクからのインタラクションと、ユーザ毎に40の異なるカルーセルインターフェースで構成されている。 カルーセル設計に関する調査結果とカルーセルの視線データを初めて分析した結果から,黄金の三角形やFパターンの閲覧行動が明らかになった。
  論文  参考訳（メタデータ） (2025-04-29T14:09:20Z)
• InteractRank: Personalized Web-Scale Search Pre-Ranking with Cross Interaction Features [11.714355867245795]
  Pinterestで使用されている堅牢なクロスインタラクション機能を備えた,新しい2つのタワープレグレードモデルであるInteractRankを紹介した。 Pinterestの実際のA/B実験では、InteractRankはBM25ベースラインで6.5%、バニラ2タワーベースラインで3.7%改善している。
  論文  参考訳（メタデータ） (2025-04-09T06:13:58Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• SEMINAR: Search Enhanced Multi-modal Interest Network and Approximate Retrieval for Lifelong Sequential Recommendation [16.370075234443245]
  本稿では,SEMINAR-Search Enhanced Multi-Modal Interest Network と Approximate Retrieval という,一生涯にわたるマルチモーダルシーケンスモデルを提案する。 具体的には、Pretraining Search Unitと呼ばれるネットワークが、事前トレーニング-ファインタニング方式で、マルチモーダルクエリ-イテムペアの寿命のシーケンスを学習する。 マルチモーダル埋め込みのオンライン検索速度を高速化するために,マルチモーダルなコードブックベースの製品量子化戦略を提案する。
  論文  参考訳（メタデータ） (2024-07-15T13:33:30Z)
• OmniSearchSage: Multi-Task Multi-Entity Embeddings for Pinterest Search [2.917688415599187]
  OmniSearchSageは、検索クエリやピン、Pinterest検索用の製品を理解するための汎用的でスケーラブルなシステムです。 私たちはピンとプロダクトの埋め込みを組み合わせた統合クエリの埋め込みを共同で学び、その結果として、$>8%の関連性、$>7%のエンゲージメント、$>5%の広告CTRが改善されました。
  論文  参考訳（メタデータ） (2024-04-25T00:10:25Z)
• piRank: A Probabilistic Intent Based Ranking Framework for Facebook Search [0.07614628596146598]
  本稿では,異なるクエリインテントに対する様々なランキング問題に対処するために,確率的意図に基づくランキングフレームワーク(piRank の略)を提案する。 我々は、Facebookの検索エンジンシステム上での広範な実験と研究を行い、この新しいランキングアーキテクチャの有効性を検証した。
  論文  参考訳（メタデータ） (2022-03-27T18:12:56Z)
• Online Learning of Optimally Diverse Rankings [63.62764375279861]
  ユーザのフィードバックのみに基づいて最適なリストを効率よく学習するアルゴリズムを提案する。 我々は、$T$クエリの後に、LDRの後悔は$O((N-L)log(T))$としてスケールする。
  論文  参考訳（メタデータ） (2021-09-13T12:13:20Z)
• Searchable Hidden Intermediates for End-to-End Models of Decomposable Sequence Tasks [77.55297077599865]
  シーケンスモデルの中間段階で検索可能な隠れた表現を学ぶために,合成性を利用するエンドツーエンドのフレームワークを提案する。 提案手法の一例は、音声認識サブタスクから検索可能な隠れ中間子を抽出する音声翻訳用マルチデコーダモデルである。
  論文  参考訳（メタデータ） (2021-05-02T23:22:49Z)
• Brown University at TREC Deep Learning 2019 [11.63256359906015]
  本稿では,ブラウン大学のTREC 2019 Deep Learningトラックへの提出について述べる。 ブラウンのチームは、パス検索タスク(フルランクとリランクを含む)で3位、再ランクの申請のみを考えると2位にランクインした。
  論文  参考訳（メタデータ） (2020-09-08T22:54:03Z)

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。