論文の概要: POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation

• arxiv url: http://arxiv.org/abs/2606.29946v1
• Date: Mon, 29 Jun 2026 08:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.126543
• Title: POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation
• Title（参考訳）: POEM:リコメンデーションのための部分順序強化リアルタイムシーケンスモデリング
• Authors: Linxiao Che, Yijia Sun, Siyuan Lou, Shanshan Huang, Qiang Luo, Ruiming Tang, Han Li, Kun Gai,
• Abstract要約: 本稿では, 固有部分順序関係に基づく新しいリアルタイム逐次モデリングフレームワークを提案する。 POEMは、アップストリームランキングモジュールが生成するリアルタイムマルチタスクランキングスコアを、動的部分順序列の構築の監督として利用する。 Kuaishouオンライントラフィックに完全にデプロイされたPOEMは、オンライン上の大きな利益を達成している。
• 参考スコア（独自算出の注目度）: 47.301549241806185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time recommendation systems suffer from the dynamic drift of user interests and varying contextual conditions. Conventional sequential recommendation models only exploit static historical click sequences, which fail to capture instant preference changes and overlook structured signals hidden within the multi-stage ranking pipeline of industrial recommendation systems. To tackle these limitations, we propose POEM (Partial-Order Enhanced Modeling), a new real-time sequential modeling framework built upon intrinsic partial-order relations from the recommendation cascade. POEM takes real-time multi-task ranking scores (including predicted CTR and predicted watch duration) generated by upstream ranking modules as supervision to construct dynamic partial-order sequences, supporting fine-grained real-time interest modeling and consistent optimization between system ranking targets and user behavioral patterns. We summarize our core contributions as three aspects: (1) a partial-order guided sequence construction paradigm, which enriches vanilla chronological sequences via dynamic grouping and sampling conditioned on real-time ranking scores to reassess user interests per request; (2) a multi-objective score fusion module that unifies heterogeneous ranking signals into a compact quintuple representation with normalized rank-aware weighting; (3) a hierarchical sample learning strategy, which adopts system-favored high-ranked items and user positive feedback (e.g., long-duration watched videos) as positive instances, paired with graph-mined hard negatives and a margin-based pairwise loss for robust training. Fully deployed on Kuaishou online traffic, POEM achieves significant online gains: average per-user watch time lifts by 0.249% on the KS Single Page and 0.213% on the KS Lite Page.
• Abstract（参考訳）: リアルタイムレコメンデーションシステムは、ユーザの関心の動的漂流と、さまざまなコンテキスト条件に悩まされる。 従来のシーケンシャルレコメンデーションモデルは、静的な履歴クリックシーケンスしか利用せず、即時好みの変更をキャプチャできず、産業レコメンデーションシステムの多段階ランキングパイプライン内に隠された構造化信号を見落としている。 これらの制約に対処するため,提案手法は,提案手法の固有部分順序関係に基づく新しいリアルタイム逐次モデリングフレームワークであるPOEM(Partial-Order Enhanced Modeling)を提案する。 POEMは、上流のランキングモジュールが生成するリアルタイムマルチタスクランキングスコア(予測CTRと予測ウォッチ期間を含む)を、動的部分順序シーケンスの構築の監督として取り、きめ細かいリアルタイム関心モデリングをサポートし、システムランキングターゲットとユーザ行動パターン間の一貫した最適化をサポートする。 1) リアルタイムのランキングスコアに条件付けした動的グループ化とサンプリングによるバニラ時系列の強化による要求ごとのユーザ興味の再評価,2) 異種ランキング信号を正規化されたランク認識重み付けでコンパクトなクインタプル表現に統一する多目的スコア融合モジュール,(3) システム指向の高ランクアイテムとユーザ正のフィードバック(例えば,長期監視ビデオ)を正の例として採用する階層的サンプル学習戦略, および, グラフマイニングされたハード負のペアリングによる堅牢なトレーニングにおけるマージンベースの損失の3つの側面を要約した。 Kuaishouオンライントラフィックに完全にデプロイされたPOEMは、オンライン上の大きな伸びを達成している。ユーザ毎のウォッチ時間は、KS Single Pageで0.249%、KS Lite Pageで0.213%である。

関連論文リスト

• S2-CAR: Segmentation-Supervised Complexity-Adaptive Recommendation [11.19507489603123]
  本稿では,ユーザ意図を連続的な潜時エネルギー状態としてモデル化するシーケンシャルレコメンデーションのためのセグメンデーション管理フレームワークであるS2-CARを提案する。 具体的には、コンテキスト対応のソフトテンポラルポイントプロセス(Soft-TPP)を使用して、固定間隔ではなく潜在状態エネルギーの自然崩壊によって引き起こされる境界を分割する。 さらなる分析により、提案されたエネルギーベースのセグメンテーションがプラグイン・アンド・プレイモジュールとして機能し、既存のシーケンシャルレコメンデーションバックボーンに統合された場合、一貫した改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-06-24T05:24:18Z)
• Action-Aware Generative Sequence Modeling for Short Video Recommendation [50.74467504063892]
  ショートビデオには様々な部分が含まれており、ユーザーはそれらすべてに対して同じ態度を取ることはできない。 従来のバイナリ分類レコメンデーションモデルは、ビデオを単一の全体的エンティティとして扱うが、そのような微妙な好みを正確に捉えるには限界に直面している。 本稿では,時間的次元に沿ってユーザアクションを洗練させる行動認識生成系列ネットワーク(A2Gen)を提案する。
  論文  参考訳（メタデータ） (2026-04-28T16:41:04Z)
• REALIGN: Regularized Procedure Alignment with Matching Video Embeddings via Partial Gromov-Wasserstein Optimal Transport [7.952582509792969]
  実世界の命令データには、しばしばバックグラウンドセグメント、繰り返しアクション、順番に示されるステップが含まれている。 正規化部分グロモフ・ワッサースタイン最適輸送(R-FPGWOT)に基づく手続き学習のための自己指導型フレームワークREALIGNを紹介する。 KOTとは対照的に、我々の定式化は部分的なアライメントスキームの下で視覚的対応と時間的関係を共同でモデル化する。
  論文  参考訳（メタデータ） (2025-09-29T07:32:14Z)
• ASTGI: Adaptive Spatio-Temporal Graph Interactions for Irregular Multivariate Time Series Forecasting [16.98710098925001]
  IMTS固有の不規則区間は、既存の方法に2つの主要な課題をもたらす。 本稿では,これらの課題に対処するための適応時空間グラフインタラクション(ASTGI)フレームワークを提案する。 複数のベンチマークデータセットの実験では、ASTGIが様々な最先端メソッドより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-09-27T14:00:27Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
  そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。 さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。 実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T13:56:46Z)
• Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations [3.286961611175469]
  我々は、位置対応と時間対応のグラフ畳み込みネットワーク(PTGCN)に基づく、深層学習に基づくシーケンシャルレコメンデーションアプローチを提案する。 PTGCNは、位置対応と時間対応のグラフ畳み込み演算を定義することにより、ユーザとイテム相互作用間の逐次パターンと時間ダイナミクスをモデル化する。 多層グラフ畳み込みを積み重ねることで、ユーザとアイテム間の高次接続を実現する。
  論文  参考訳（メタデータ） (2021-07-12T07:34:20Z)

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。