論文の概要: On the Practice of Scaling Search Conversion Rate Prediction

• arxiv url: http://arxiv.org/abs/2605.29232v1
• Date: Thu, 28 May 2026 01:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 00:00:30.938314
• Title: On the Practice of Scaling Search Conversion Rate Prediction
• Title（参考訳）: 探索変換率予測のスケーリングの実践について
• Authors: James Pak, Jyun-Yu Jiang, Fan Zhang, Sen Wang, Taekmin Kim, Henry Tsai, Vijay Rajaram, Juexin Lin, Mohitdeep Singh, Alessandro Magnani, Johnny Chen, Qian Zhao, Rao Fu, Zhirong Liang, Jordan Gilliland, Winter Jiao,
• Abstract要約: 検索変換率(CVR)予測モデルのスケーリングは,特に高交通環境において課題となる。 本稿では,最新の検索CVR予測モデルを拡張するための効果的なアプローチについて述べる。
• 参考スコア（独自算出の注目度）: 45.350775275846125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scaling a Search Conversion Rate (CVR) prediction model, especially in high-traffic environments, presents a challenge: superior model quality needs to be balanced with strict constraints on training cost and serving latency. This paper details an effective approach for scaling modern search CVR prediction models. We begin with an empirical study to understand the scaling performance of search CVR models, analyzing how quality improves as we scale three key factors of model backbone computation, the size of embedding parameters, and the volume of training data. We use a large-scale production dataset, comprising over a year of customer interaction logs from a high-traffic e-commerce platform, to evaluate the scalability of several state-of-the-art architectures and their ensembles. Our key findings are: (1) selecting the right backbone and scaling factors is crucial; (2) the impact of scaling backbone, embedding, and data is largely independent and additive, which has implications for more efficient scaling exploration; (3) a streamlined warmstart strategy can accelerate training iterations while simplifying new updates; (4) inference optimization strategies such as decoupled graph execution and dynamic batching can enable low-latency GPU serving even for high-capacity models. Compared to a baseline of a pre-scaling production model, we ultimately deployed a model trained on 2.5x larger training data with 8x more inference compute while having minimal latency impact. Online A/B tests also demonstrate that our launches achieved a combined +2.6% gain in a key metric of search conversion rate.
• Abstract（参考訳）: 検索変換率(CVR)予測モデルのスケーリング、特に高トラフィック環境では、優れたモデル品質とトレーニングコストとサービスレイテンシの厳格な制約とのバランスが求められる。 本稿では,最新の検索CVR予測モデルを拡張するための効果的なアプローチについて述べる。 探索CVRモデルのスケーリング性能を理解するための実証的研究から始まり、モデルバックボーン計算の3つの重要な要素、埋め込みパラメータのサイズ、トレーニングデータのボリュームをスケールすることで、品質がいかに向上するかを分析する。 高速なeコマースプラットフォームから1年以上の顧客インタラクションログで構成された大規模生産データセットを使用して、最先端アーキテクチャとそのアンサンブルのスケーラビリティを評価します。 主な発見は,(1) 右のバックボーンの選択とスケーリングファクタの選択が重要であること,(2) バックボーン,埋め込み,データのスケーリングの影響が,より効率的なスケーリング探索に影響を及ぼすこと,(3) 合理化されたウォームスタート戦略は,新たな更新を簡素化しながらトレーニングイテレーションを加速することができること,(4) 分離グラフ実行や動的バッチ処理などの推論最適化戦略により,高容量モデルでも低レイテンシGPUが利用できること,などである。 プリスケーリング生産モデルのベースラインと比較して、最終的に、レイテンシへの影響を最小限に抑えながら、8倍の推論計算で2.5倍のトレーニングデータに基づいてトレーニングされたモデルをデプロイした。 オンラインA/Bテストは、我々の打ち上げが検索変換率の重要な指標で+2.6%の上昇を達成したことも示している。

関連論文リスト

• On Neural Scaling Laws for Weather Emulation through Continual Training [76.70310203875866]
  我々はScientific Machine Learningにおけるニューラルスケーリングについて研究し、天気予報モデルに焦点を当てた。 可能な限り簡単な設定でスケーリング動作を解析するために、最小限でスケーラブルで汎用的なSwin Transformerアーキテクチャを採用する。 この最小限の方法でトレーニングされたモデルは、予測可能なスケーリングトレンドに従っており、標準的なコサイン学習率のスケジュールよりも優れています。
  論文  参考訳（メタデータ） (2026-03-26T17:37:25Z)
• Efficient Reinforcement Learning for Large Language Models with Intrinsic Exploration [33.02780998281276]
  検証可能な報酬付き強化学習(RLVR)は、大規模言語モデルの推論能力を改善した。 本研究は,RLVRにおけるデータ効率の向上に本質的なデータ特性の活用,すなわちトレーニング中のほぼ自由な利益をいかに生かすかを検討する。
  論文  参考訳（メタデータ） (2025-11-02T04:16:47Z)
• Compute-Optimal Scaling for Value-Based Deep RL [99.680827753493]
  オンライン価値ベースディープRLの計算スケーリングについて検討する。 解析の結果,モデルサイズ,バッチサイズ,UTD間の微妙な相互作用が明らかになった。 この現象を理解するためのメンタルモデルを提供し、バッチサイズとUTDを選択するためのガイドラインを構築します。
  論文  参考訳（メタデータ） (2025-08-20T17:54:21Z)
• Scaling Laws of Motion Forecasting and Planning - Technical Report [21.486301157587132]
  本研究では,エンコーダ・デコーダ・オートレグレッシブ・トランスモデルの実証スケーリング法則について検討する。 モデルトレーニング損失とモデル評価指標との間には,強い相関関係がみられた。 我々は,エゴエージェントの性能向上のために,他のエージェントの一般的なログ化された運転データに対するトレーニングの有用性を短時間で検討した。
  論文  参考訳（メタデータ） (2025-06-09T20:54:23Z)
• SMPLest-X: Ultimate Scaling for Expressive Human Pose and Shape Estimation [81.36747103102459]
  表現的人間のポーズと形状推定(EHPS)は、身体、手、顔の動きを多数の応用で統合する。 現在の最先端の手法は、限定されたデータセット上で革新的なアーキテクチャ設計を訓練することに焦点を当てている。 本稿では,EHPSのスケールアップが一般基盤モデルのファミリに与える影響について検討する。
  論文  参考訳（メタデータ） (2025-01-16T18:59:46Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)

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。