論文の概要: UniPinRec: Unifying Generative Retrieval and Ranking at Pinterest Scale

• arxiv url: http://arxiv.org/abs/2606.00422v1
• Date: Fri, 29 May 2026 23:17:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.395285
• Title: UniPinRec: Unifying Generative Retrieval and Ranking at Pinterest Scale
• Title（参考訳）: UniPinRec:Pinterestスケールで生成検索とランク付けを統合する
• Abstract要約: Pinterestにおける検索とランキングのフルスタック統合を実現するUniPinRecを提案する。 UniPinRecは、約1%のオンラインエンゲージメントリフトを提供し、エンドツーエンドのサービスレイテンシを11.1%削減し、QPSを63.6%引き上げている。
• 参考スコア（独自算出の注目度）: 13.323495829411577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern recommendation systems predominantly train retrieval and ranking as separate models despite both increasingly relying on large transformers encoding the same user behavior data, duplicating parameters, compute, and serving cost. Prior work unifies the model architecture but not the full pipeline: input formats, training procedures, and serving stacks remain fragmented across stages. We present UniPinRec, which achieves full-stack unification of retrieval and ranking at Pinterest: one input format, one model, one training stage, deployed within existing serving infrastructure. A shared transformer encodes the user action sequence into candidate-independent representations that branch into retrieval (ANN dot-product) and ranking (cross-attention) via task-specific heads. Three ideas make this work: (1) Masked Action Modeling (MAM) eliminates interleaving, enabling weight sharing without doubling context length; (2) Blended training examples pair action sequences with feedview impression slates to satisfy both objectives jointly; (3) Cross-stage KV cache sharing reuses user-history computation from retrieval for ranking, reducing total FLOPs versus serving two independent models. Deployed in the Pinterest core surfaces, UniPinRec delivers approximately +1% online engagement lift while cutting end-to-end serving latency by 11.1% and lifting QPS by 63.6%. To our knowledge, this is the first full-stack unification of retrieval and ranking, covering inputs, model, training and serving, deployed in a production recommendation system.
• Abstract（参考訳）: 現代のレコメンデーションシステムは主に検索とランキングを別々のモデルとして訓練するが、どちらも同じユーザの振る舞いデータをエンコードする大きなトランスフォーマー、パラメータの重複、計算、サービスコストに依存している。 以前の作業はモデルアーキテクチャを統一するが、完全なパイプラインではない。入力形式、トレーニング手順、サービススタックはステージ全体で断片化されている。 Pinterestにおける検索とランキングのフルスタック統合を実現するUniPinRecについて述べる。 共有変換器は、ユーザアクションシーケンスを、検索(ANNドット積)に分岐し、タスク固有のヘッドを介してランキング(クロスアテンション)する候補非依存の表現に符号化する。 1)masked Action Modeling (MAM) はインターリービングを排除し、コンテキスト長を2倍にすることなくウェイトシェアリングを可能にする; 2) フィードビューインプレッションスレートを併用したペアアクションシーケンスのブレンドトレーニング例 (3) クロスステージKVキャッシュ共有は、ランキングの検索からユーザ履歴計算を再利用し、合計FLOPを削減し、2つの独立したモデルを提供する。 PinterestのコアサーフェスにデプロイされたUniPinRecは、約1%のオンラインエンゲージメントリフトを提供すると同時に、エンドツーエンドのサービスレイテンシを11.1%削減し、QPSを63.6%引き上げる。 私たちの知る限り、これは、製品レコメンデーションシステムにデプロイされた入力、モデル、トレーニング、サービスをカバーする、検索とランキングの完全な統合である。

関連論文リスト

• OneModel: A Unified Foundation for Platform-Scale Multi-Scenario Ranking [11.905656321952394]
  マルチストリームファイナルランキングのための統合フレームワークである textbfOneModel を提案する。 OneModelは異種な振る舞いを共有イベントシーケンスにマッピングし、アクション指向のバックボーンで長いコンテキストのユーザ表現を学習する。 私たちはemphXiaohongshuで本番環境にOneModelをデプロイし、強力なベースラインに対して一貫したオフラインゲインを提供します。
  論文  参考訳（メタデータ） (2026-08-19T06:50:47Z)
• Tevatron-Elastic: A Unified Abstraction for Training Elastic Retrievers and Rerankers [71.99661189378442]
  トランスベースのモデルは、3つの方法で小さくすることができる。 単一のオブジェクトがモデルの実行可能なサイズを指定し、短いスケジュールでトレーニング対象のサイズをリストアップする。 同じ抽象化は、レトリバーとリランカの両方と、エンコーダとデコーダの両方をカバーしている。
  論文  参考訳（メタデータ） (2026-08-09T16:45:28Z)
• Unifying Generative Recall and Multi-Objective Ranking in a Single Decoder-Only Sequence [26.231002784432842]
  生成的リコールとランキングのスケーリングは、共通のTransformerベースのモデリング哲学を共有している。 我々は textbfUniR$2$, textbfUnified decoder のみの変換器を提案し, 生成 textbfRecall と Multi-Objective textbfRanking を統一する。
  論文  参考訳（メタデータ） (2026-07-27T13:47:38Z)
• Selectivity Drives Efficiency: Dataset Pruning for Visual Place Recognition [52.52131290631774]
  視覚的位置認識(VPR)に適したプレースワイズ・データセット・プルーニング・フレームワークを提案する。 本手法は,各場所を基本刈取単位として扱い,IPD(Intra-place diversity)とIPS(Inter-place similarity)の2つの新しい指標を導入する。 実験により, 提案手法は, 最先端のDPベースラインを異なるプルーニング比で連続的に上回ることを示した。
  論文  参考訳（メタデータ） (2026-07-16T12:16:00Z)
• Not Every Subject Should Stay: Machine Unlearning for Noisy Engagement Recognition [53.005382593686356]
  エンゲージメント認識データセットは典型的には主観的インデクシングであり、しばしば騒々しく主観的な監督を含んでいる。 本研究では、この設定を、エンゲージメント認識のためのポストホック衛生機構として、主観レベルマシンアンラーニングを通して研究する。
  論文  参考訳（メタデータ） (2026-05-06T10:03:06Z)
• ResRank: Unifying Retrieval and Listwise Reranking via End-to-End Joint Training with Residual Passage Compression [5.223477157195793]
  中間のロスト」現象は、入力長が大きくなるにつれてランキング品質を低下させる。 推論レイテンシは、シーケンス長と超直線的にスケールし、産業展開において非現実的にリストワイズする。 ResRankは、両方の課題を根本的に解決する統合検索格付けフレームワークである。
  論文  参考訳（メタデータ） (2026-04-24T03:11:51Z)
• GenRec: A Preference-Oriented Generative Framework for Large-Scale Recommendation [14.663434490160016]
  我々は、JD App上にデプロイされた嗜好指向の生成フレームワークであるGenRecを紹介する。 月のオンラインA/Bテストでは、GenRecは9.5%のクリック数の改善と8.7%のトランザクション数を達成した。
  論文  参考訳（メタデータ） (2026-04-16T11:07:05Z)
• SPARE: Single-Pass Annotation with Reference-Guided Evaluation for Automatic Process Supervision and Reward Modelling [58.05959902776133]
  私たちはSingle-Passを紹介します。 Reference-Guided Evaluation (SPARE)は、効率的なステップごとのアノテーションを可能にする新しい構造化フレームワークである。 数学的推論(GSM8K, MATH)、マルチホップ質問応答(MuSiQue-Ans)、空間推論(SpaRP)にまたがる4つの多様なデータセットにおけるSPAREの有効性を実証する。 ProcessBenchでは、SPAREがデータ効率のよいアウト・オブ・ディストリビューションの一般化を実証し、トレーニングサンプルの$sim$16%しか使用していない。
  論文  参考訳（メタデータ） (2025-06-18T14:37:59Z)
• List-aware Reranking-Truncation Joint Model for Search and Retrieval-augmented Generation [80.12531449946655]
  本稿では,2つのタスクを同時に実行可能なRe rank-Truncation joint model(GenRT)を提案する。 GenRTは、エンコーダ-デコーダアーキテクチャに基づく生成パラダイムによるリランクとトランケーションを統合している。 提案手法は,Web検索および検索拡張LLMにおけるリランクタスクとトラルケーションタスクの両方においてSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-02-05T06:52:53Z)
• UniParser: Multi-Human Parsing with Unified Correlation Representation Learning [18.372259148872228]
  本稿では、インスタンスレベルとカテゴリレベルの表現を3つの重要な側面に統合するUniを紹介する。 UniはMHPv2.0で49.3%AP、CIHPで60.4%APを達成した。
  論文  参考訳（メタデータ） (2023-10-13T10:03:01Z)
• Retrieval as Attention: End-to-end Learning of Retrieval and Reading within a Single Transformer [80.50327229467993]
  学習した1つのモデルが競合検索とQA性能の両方を達成可能であることを示す。 エンドツーエンド適応は、教師なし設定と教師なし設定の両方において、ドメイン外のデータセットのパフォーマンスを大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2022-12-05T04:51:21Z)
• Fashionformer: A simple, Effective and Unified Baseline for Human Fashion Segmentation and Recognition [80.74495836502919]
  本研究では,共同ファッションセグメンテーションと属性認識に着目した。 本稿では,セグメンテーションのためのオブジェクトクエリと属性予測のための属性クエリを紹介する。 属性ストリームのために,よりきめ細かい特徴を探索する新しいマルチレイヤレンダリングモジュールを設計する。
  論文  参考訳（メタデータ） (2022-04-10T11:11:10Z)
• Jigsaw Clustering for Unsupervised Visual Representation Learning [68.09280490213399]
  本稿では,新しいjigsawクラスタリング・プレテキストタスクを提案する。 本手法は画像内情報と画像間情報の両方を利用する。 トレーニングバッチの半分しか使用されていない場合、コントラスト学習方法にも匹敵します。
  論文  参考訳（メタデータ） (2021-04-01T08:09:26Z)

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。