論文の概要: HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems
- arxiv url: http://arxiv.org/abs/2607.03362v1
- Date: Fri, 03 Jul 2026 14:18:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 12:42:06.456807
- Title: HGenPush: A Heterogeneous Generative Recommendation Architecture for Industrial Push Notification Systems
- Title（参考訳）: HGenPush: 産業プッシュ通知システムのための不均一な生成レコメンデーションアーキテクチャ
- Abstract要約: 本稿では,HGenPush と呼ばれるヘテロジニアスな生成レコメンデーションアーキテクチャを提案する。
HGenPushは、高品質なコンテンツと信頼できる著者に対するユーザの要求を同時に満たす。
我々は,大規模なショートビデオプラットフォームであるKuaishouのプッシュ通知システムにHGenPushをデプロイした。
- 参考スコア（独自算出の注目度）: 19.17988315151231
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the explosive growth of content platforms, recommendation systems need to better satisfy user demands to enhance user satisfaction and retention. Taking short-video platforms as an example, users not only seek high-quality content but also trusted authors. Although generative recommendation systems have achieved breakthroughs in recent years, existing methods primarily generate single-type recommendation content and typically employ the inefficient autoregressive paradigm to generate semantic IDs. In this paper, we propose an end-to-end heterogeneous generative recommendation architecture called HGenPush. First, we design a hybrid user behavior understanding module that integrates multi-scenario and multi-perspective behaviors to capture precise user interest. Then, we design a dual-branch heterogeneous generative recommendation module that integrates video recommendation and author recommendation within a unified framework. In addition, to improve generation efficiency, we design a lightweight multi-token prediction method that discards the autoregressive paradigm. Finally, we design a user consumption preference alignment module, which leverages user feedback as reward signals to guide the model toward generating higher-quality content, thereby enhancing user experience and engagement. Through these designs, HGenPush simultaneously fulfills users' demands for high-quality content and trusted authors. We have deployed HGenPush on the push notification system of Kuaishou, a large-scale short-video platform, achieving a significant 0.181% increase in daily active users.
- Abstract（参考訳）: コンテンツプラットフォームが爆発的に成長するにつれ、レコメンデーションシステムはユーザの満足度と維持性を高めるために、ユーザの要求をより良く満たす必要がある。
ショートビデオのプラットフォームを例にとると、ユーザーは高品質なコンテンツだけでなく、信頼できる著者も探している。
生成レコメンデーションシステムは近年ブレークスルーを達成しているが、既存の手法は主に単一タイプのレコメンデーションコンテンツを生成し、典型的には非効率な自己回帰パラダイムを用いてセマンティックIDを生成する。
本稿では、HGenPushと呼ばれる、エンドツーエンドのヘテロジニアス生成レコメンデーションアーキテクチャを提案する。
まず,マルチシナリオとマルチパースペクティブを組み合わせたハイブリッドなユーザ行動理解モジュールを設計し,ユーザの興味を正確に捉える。
そこで我々は,ビデオレコメンデーションと著者レコメンデーションを統合されたフレームワークに組み込んだ,二重分岐ヘテロジニアス生成レコメンデーションモジュールを設計する。
さらに、生成効率を向上させるために、自己回帰パラダイムを捨てる軽量なマルチトークン予測手法を設計する。
最後に,ユーザからのフィードバックを報奨信号として活用し,高品質なコンテンツ生成に向けてモデルを誘導し,ユーザエクスペリエンスとエンゲージメントを向上させるユーザ消費嗜好アライメントモジュールを設計する。
これらの設計を通じて、HGenPushは、高品質なコンテンツと信頼できる著者に対するユーザの要求を同時に満たす。
我々は,大規模なショートビデオプラットフォームであるKuaishouのプッシュ通知システムにHGenPushをデプロイした。
関連論文リスト
- Generate to Explore, Select to Exploit: Aligning LLM-based Headline Generation with Personalized Recommendation [6.094273771485958]
産業レコメンデーションフィードでは、アイテムの静的な見出しを示すことは、ユーザ人口の多様なマルチモーダルな関心を満たすのに失敗することが多い。
本稿では,遺伝子探索と選択的利用にパーソナライズを分離するフレームワークであるGESEを紹介する。
毎日1億人以上のアクティブユーザがいる商用プラットフォームへの大規模なデプロイは、GESEが最先端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） (2026-09-14T06:14:38Z) - Recommendation as Generation: Unifying Personalized Video Generation and Recommendation at Industrial Scale [39.03125255049368]
本稿では,提案するRecommendation-as-Generation(RaG)を提案する。
我々のフレームワークは、共有セマンティックID(SID)を通じて生成レコメンデーションとビデオ生成を統一する。
私たちはRaGを4億人のデイリーアクティブユーザーを持つ産業規模のプラットフォームにデプロイし、収益クリティカルな広告シナリオで評価します。
論文 参考訳（メタデータ） (2026-06-24T07:23:20Z) - Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation [60.03046892817763]
ジェネレーティブレコメンデーションは、産業レコメンデーションシステムにおける約束を示す新興パラダイムである。
既存の手法は、複雑なユーザビヘイビアとアイテムセマンティックのコンテキストを同時にレコメンデーションモデルに注入するのに苦労することが多い。
本稿では,G2Recを提案する。G2Recは,汎用的なグラフベースユーザ統合モデリングとセマンティックトークン化を一体化して,産業規模の生成レコメンデーションを実現するスケーラブルなフレームワークである。
論文 参考訳（メタデータ） (2026-06-18T17:58:32Z) - 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) - Deep Research for Recommender Systems [74.44288812684448]
本稿では,従来の項目リストを包括的,ユーザ中心のレポートに置き換える,推薦のための新しいディープリサーチパラダイムを提案する。
我々はこのパラダイムをRecPilotという,項目空間を自律的に探索するユーザトラジェクトリシミュレーションエージェントと,ユーザ決定を支援するための一貫性のある解釈可能なレポートに合成する自己進化レポート生成エージェントという,2つのコアコンポーネントからなるマルチエージェントフレームワークを通じてインスタンス化する。
論文 参考訳（メタデータ） (2026-03-08T12:33:04Z) - NEZHA: A Zero-sacrifice and Hyperspeed Decoding Architecture for Generative Recommendations [44.6848620438905]
NEZHAは、推薦品質を犠牲にすることなく、生成レコメンデーション(GR)システムの高速デコーディングを実現する新しいアーキテクチャである。
NEZHAの有効性を公開データセットの広範な実験を通じて実証し,2025年10月以降,そのシステムをTaobao上に展開することに成功している。
論文 参考訳（メタデータ） (2025-11-24T05:53:46Z) - GPR: Towards a Generative Pre-trained One-Model Paradigm for Large-Scale Advertising Recommendation [38.48999566011862]
GPR(Generative Pre-trained Recommender)は,広告推薦をエンドツーエンド生成タスクとして再定義するワンモデルフレームワークである。
統一表現、ネットワークアーキテクチャ、トレーニング戦略にまたがる3つの重要なイノベーションを紹介します。
GPRはTencent Weixin Channelsの広告システムに完全にデプロイされており、主要なビジネスメトリクスを大幅に改善している。
論文 参考訳（メタデータ） (2025-11-13T09:50:53Z) - From Clicks to Preference: A Multi-stage Alignment Framework for Generative Query Suggestion in Conversational System [11.373145953200137]
生成ポリシーとユーザ意図のプログレッシブアライメントを目的とした多段階フレームワークを提案する。
我々の枠組みは, 自動評価と人的評価の両方において, ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2025-08-15T10:17:01Z) - RecGPT Technical Report [57.84251629878726]
本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。
RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。
オンライン実験では、RecGPTが利害関係者間で一貫した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） (2025-07-30T17:55:06Z) - OneRec: Unifying Retrieve and Rank with Generative Recommender and Iterative Preference Alignment [9.99840965933561]
ケースドラーニングフレームワークを統一的な生成モデルで置き換えるOneRecを提案する。
1) ユーザの履歴行動シーケンスをエンコードし、ユーザが興味を持っているかもしれない動画を徐々にデコードするエンコーダ・デコーダ構造。
論文 参考訳（メタデータ） (2025-02-26T09:25:10Z) - Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms [68.51708490104687]
調査力の低い純粋に関連性の高い政策は、短期的ユーザの満足度を高めるが、コンテンツプールの長期的豊かさを損なうことを示す。
調査の結果,プラットフォーム上でのユーザの即時満足度と全体のコンテンツ生産との間には,根本的なトレードオフがあることが判明した。
論文 参考訳（メタデータ） (2024-10-31T07:19:22Z) - A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
この調査は、ジェネレーティブモデル(Gen-RecSys)を用いたレコメンデーションシステムにおける重要な進歩を結びつける。
対話駆動生成モデル、自然言語レコメンデーションのための大規模言語モデル(LLM)とテキストデータの使用、RSにおける画像やビデオの生成と処理のためのマルチモーダルモデルの統合。
我々の研究は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調し、オープンな課題を特定します。
論文 参考訳（メタデータ） (2024-03-31T06:57:57Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z)
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。