論文の概要: SIREN: Unified Multi-Granularity Semantic Interaction for Multi-Modal Lifelong User Interest Modeling
- arxiv url: http://arxiv.org/abs/2605.25726v1
- Date: Mon, 25 May 2026 11:33:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:19.838732
- Title: SIREN: Unified Multi-Granularity Semantic Interaction for Multi-Modal Lifelong User Interest Modeling
- Title（参考訳）: SIREN:マルチモード生涯ユーザ関心モデリングのための統一多言語セマンティックインタラクション
- Authors: Yaqian Zhang, Ruyi Yu, Tianyi Li, Bohan Liu, Maoquan Ye, Ke Wang, Shifeng Wen, Junwei Pan, Lijie Wang, Qi Zhou, Yeshou Cai, Chengguo Yin, Lifeng Wang, Hui Li, Lei Xiao, Haijie Gu,
- Abstract要約: 産業レコメンデータシステムは、進化するユーザの好みを捉えるために、生涯にわたるユーザ行動履歴とリッチなマルチモーダルコンテンツを活用している。
SIRENは,マルチモーダル・ライフタイム・ユーザ・関心モデリングのための統合された多言語間セマンティック・インタラクション・フレームワークである。
2025年7月から、SIRENはTencentの広告プラットフォームでフルトラフィックサービス用に完全にローンチされた。
- 参考スコア（独自算出の注目度）: 21.637289409638655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial recommender systems increasingly leverage lifelong user behavior histories and rich multi-modal content to capture evolving user preferences. However, effectively integrating multi-modal features into lifelong interest modeling remains challenging due to the inherent misalignment between multi-modal and collaborative spaces. Existing paradigms typically rely on separate modeling of multi-modal sequence and behavior sequence, and late fusion to alleviate the modality gap, which results in coarse-grained multi-modal representation and limited integration. In this paper, we propose SIREN, a unified multi-granularity semantic interaction framework for multi-modal lifelong user interest modeling. In the General Search Unit stage, we introduce two alternative retrieval strategies: multi-modal similarity-based soft retrieval for retrieval effectiveness, and Semantic ID (SemID)-based hard retrieval for efficient industrial serving. For the Exact Search Unit stage, we explicitly incorporate target-aware relevance via coarse similarity buckets and fine-grained prefix-encoded SemIDs, enabling unified interaction with collaborative ID features within the target-conditioned transformer architecture. Extensive experiments on the offline dataset demonstrate that SIREN achieves a state-of-the-art GAUC. Online A/B tests further demonstrate consistent GMV gains across multiple production scenarios, including +2.28% in Weixin Moments, +3.87% in Weixin Official Accounts, and +1.61% in Weixin Channels. From July 2025, SIREN has been fully launched for full-traffic serving in Tencent's advertising platform.
- Abstract（参考訳）: 産業レコメンデータシステムは、進化するユーザの好みを捉えるために、生涯にわたるユーザ行動履歴とリッチなマルチモーダルコンテンツを活用している。
しかし,マルチモーダル空間と協調空間の相違により,マルチモーダル特徴を生涯的関心モデリングに効果的に統合することは依然として困難である。
既存のパラダイムは、通常、マルチモーダルシーケンスと行動シーケンスの別々なモデリングと、モーダルギャップを軽減するために後期融合に依存し、粗い粒度のマルチモーダル表現と限定的な統合をもたらす。
本稿では,マルチモーダル・ライフタイム・ユーザ・関心モデリングのための多言語間セマンティック・インタラクション・フレームワークであるSIRENを提案する。
General Search Unitの段階では、検索効率のためのマルチモーダル類似性に基づくソフト検索と、効率的な産業サービスのためのセマンティックID(Semantic ID)ベースのハード検索の2つの代替手法を導入する。
Exact Search Unitのステージでは、粗い類似性バケットときめ細かいプレフィックスエンコードされたSemIDを介し、ターゲット条件付きトランスフォーマーアーキテクチャ内の協調ID機能との統一的な相互作用を可能にする。
オフラインデータセットに関する大規模な実験は、SIRENが最先端のGAUCを達成することを示した。
オンラインA/Bテストでは、Weixin Momentsの+2.28%、Weixin Official Accountsの+3.87%、Weixin Channelsの+1.61%など、複数のプロダクションシナリオで一貫したGMVの増加が示されている。
2025年7月から、SIRENはTencentの広告プラットフォームでフルトラフィックサービス用に完全にローンチされた。
関連論文リスト
- SiMO: Single-Modality-Operable Multimodal Collaborative Perception [21.057627256755385]
本稿では,Single-Modality-Operable Multimodal Collaborative Perception (SiMO)を紹介する。
提案したLongth-Adaptive Multi-Modal Fusion (LAMMA) を採用することで、SiMOはモード故障時に残ったモード特徴を適応的に処理できる。
実験により、SiMOは、モダリティ固有の特徴を同時に保存しながら、マルチモーダルな特徴を効果的に整列することを示した。
論文 参考訳（メタデータ） (2026-03-09T11:09:53Z) - CAMMSR: Category-Guided Attentive Mixture of Experts for Multimodal Sequential Recommendation [23.478610632707728]
本稿では,マルチモーダルシーケンスレコメンデーションのためのカテゴリー誘導型専門家混合モデルを提案する。
中心となるCAMMSRは、専門的な項目表現を複数の視点から学習する専門家モジュールのカテゴリ誘導注意混合を導入した。
4つの公開データセットの実験は、CAMMSRが一貫して最先端のベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2026-03-04T17:39:35Z) - MUSE: A Simple Yet Effective Multimodal Search-Based Framework for Lifelong User Interest Modeling [48.18456242206804]
本稿では、生涯モデリングフレームワークの両段階にわたるマルチモーダル信号の活用方法の体系的分析について述べる。
単純なマルチモーダル検索ベースのフレームワークであるMUSEを提案する。
MUSE は Taobao ディスプレイ広告システムに実装されており,100K 長のユーザ行動シーケンスをモデル化することができる。
論文 参考訳（メタデータ） (2025-12-08T06:55:13Z) - NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。
NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。
さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
論文 参考訳（メタデータ） (2025-10-15T16:25:18Z) - Progressive Semantic Residual Quantization for Multimodal-Joint Interest Modeling in Music Recommendation [6.790539226766362]
本稿では,2段階の新たなマルチモーダルレコメンデーションフレームワークを提案する。
最初の段階では、モーダル固有およびモーダルジョイントのセマンティックIDを生成する。
第2段階では、ユーザのマルチモーダルな関心をモデル化するために、マルチコードブックのクロスアテンションネットワークが設計されている。
論文 参考訳（メタデータ） (2025-08-28T02:16:57Z) - MMQ: Multimodal Mixture-of-Quantization Tokenization for Semantic ID Generation and User Behavioral Adaptation [16.81485354427923]
本稿では,新しいマルチモーダルトークンをトレーニングする2段階フレームワークであるMMQを提案する。
MMQは多モードのシナジー、特異性、行動適応を統一し、生成的検索と識別的ランキングタスクの両方にスケーラブルで汎用的なソリューションを提供する。
論文 参考訳（メタデータ） (2025-08-21T06:15:49Z) - U3M: Unbiased Multiscale Modal Fusion Model for Multimodal Semantic Segmentation [63.31007867379312]
U3M: An Unbiased Multiscale Modal Fusion Model for Multimodal Semanticsを紹介する。
我々は,グローバルな特徴とローカルな特徴の効果的な抽出と統合を保証するために,複数のスケールで機能融合を採用している。
実験により,本手法は複数のデータセットにまたがって優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-05-24T08:58:48Z) - All in One Framework for Multimodal Re-identification in the Wild [58.380708329455466]
オールインワン(AIO)という,ReID導入のためのマルチモーダル学習パラダイム
AIOは、凍結したトレーニング済みのビッグデータをエンコーダとして利用し、追加の微調整なしに効果的なマルチモーダル検索を可能にする。
クロスモーダルおよびマルチモーダルReIDの実験により、AIOは様々なモーダルデータを扱うだけでなく、困難な状況でも優れていることが明らかになった。
論文 参考訳（メタデータ） (2024-05-08T01:04:36Z) - Unified Multi-modal Unsupervised Representation Learning for
Skeleton-based Action Understanding [62.70450216120704]
教師なしの事前訓練は骨格に基づく行動理解において大きな成功を収めた。
我々はUmURLと呼ばれる統一マルチモーダル非教師なし表現学習フレームワークを提案する。
UmURLは効率的な早期融合戦略を利用して、マルチモーダル機能を単一ストリームで共同でエンコードする。
論文 参考訳（メタデータ） (2023-11-06T13:56:57Z)
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。