論文の概要: Serving the Long Tail: Training-Free LLM Candidate Generation for Vacation Rental Marketplaces

• arxiv url: http://arxiv.org/abs/2607.09877v1
• Date: Fri, 10 Jul 2026 18:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.234029
• Title: Serving the Long Tail: Training-Free LLM Candidate Generation for Vacation Rental Marketplaces
• Title（参考訳）: 長期滞在:レンタル・マーケットプレースのための訓練不要LLM候補生成
• Authors: Syed Mohammed Arshad Zaidi, Eric Rincon, Shayan Hassantabar,
• Abstract要約: Vrbo's item-based k-nearest neighbors (IBKNN) は、中核となる候補生成チャネルであるが、候補のない数万のプロパティを残し、疎結合な領域に対して弱い近傍を生成する。 静的なプロパティメタデータのみを用いてIBKNNを補完する,トレーニングフリーのLLMベースの候補生成パイプラインを提案する。 Unionの融合戦略は、動作チャネルの順序を保ちながら、これらをIBKNNとマージする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vacation rental marketplaces face a structural imbalance on the supply side: a small fraction of properties receive most user interactions, while the long tail of new, niche, and seasonal listings generates too little behavioral signal for collaborative filtering to serve effectively. At Vrbo, item-based k-nearest neighbors (IBKNN) is a core candidate generation channel, but leaves tens of thousands of properties with no candidates and produces weak neighborhoods for sparsely interacted ones. We present a training-free, LLM-based candidate generation pipeline that complements IBKNN using static property metadata alone. An off-the-shelf LLM synthesizes diverse semantic queries per property, a pre-trained text encoder embeds them, and an approximate nearest-neighbor index retrieves candidates from an 11.7M-property catalog. A Union fusion strategy merges these with IBKNN while preserving the behavioral channel's ordering, guaranteeing no degradation on well-served properties, and a downstream learning-to-rank model re-scores the fused pool. Evaluated on 1.6M focal properties, the system extends candidate coverage to tens of thousands of properties IBKNN cannot reach, delivers its largest gains on the long-tail segment where behavioral methods are weakest, and matches or beats IBKNN at every K on shared properties. A downstream learning-to-rank stage further lifts the fused pool, yielding a complete candidate generation and re-ranking stack that serves the long tail without regressing well-served properties. We additionally show that Union fusion collapses the recall gap between a 3B open-weights LLM and frontier API-based models from 27-46% to under 1%, supporting self-hosted small-model deployment at marketplace catalog scale.
• Abstract（参考訳）: 少数のプロパティがほとんどのユーザインタラクションを受け取っているのに対して、新しいニッチ、季節的なリスティングの長いテールは、協調フィルタリングが効果的に機能するには、振舞いの信号が少なすぎる。 Vrboでは、アイテムベースのk-nearest neighbors(IBKNN)が中核となる候補生成チャネルであるが、候補のない何万ものプロパティを残し、疎に相互作用したものに対して弱い近傍を生成する。 静的なプロパティメタデータのみを用いてIBKNNを補完する,トレーニングフリーのLLMベースの候補生成パイプラインを提案する。 オフザシェルフ LLM はプロパティごとに多様なセマンティッククエリを合成し、事前訓練されたテキストエンコーダはそれらを埋め込み、近くのインデックスは11.7M-propertyカタログから候補を検索する。 Unionの融合戦略は、動作チャネルの順序を保ちながらこれらをIBKNNとマージし、よく保存されたプロパティの劣化を保証し、下流の学習からランクへのモデルが融合したプールを再スコアする。 1.6Mの焦点特性に基づいて評価され、システムは対象範囲を数万のプロパティまで拡張し、IBKNNが到達できない数万のプロパティに拡張し、行動方法が最も弱いロングテールセグメントで最大の利益をもたらし、共有プロパティ上で各KでIBKNNにマッチまたは打ち勝つ。 下流の学習〜ランクステージは、さらに融合プールを持ち上げ、良好に保留された特性を後退させることなく、長い尾を提供する完全な候補生成と再ランクスタックを得る。 さらに,Union fusion は,3B オープンウェイト LLM とフロンティア API ベースモデルのリコールギャップを 27-46% から 1% 以下に崩壊させ,市場カタログスケールでの自己ホスト型小型モデル展開をサポートすることを示す。

関連論文リスト

• Hierarchical Sparse Attention Done Right: Toward Infinite Context Modeling [65.65882819517455]
  本稿では,言語モデリング(LM)損失下でチャンク選択をエンドツーエンドに学習するチャンクワイズアテンション機構を提案する。 実験結果から,HiLS-Attentionはドメイン内コンテキスト長に対して十分に注意を払っている場合に比較して,性能が向上することが示された。
  論文  参考訳（メタデータ） (2026-07-03T05:39:00Z)
• SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale [54.70985426016736]
  本稿では,スキル間関係を型付き有向グラフとしてモデル化したSkillDAGを提案する。 各検索はベクトルマッチング、型付きエッジ隣人、競合信号を返す。 ALFWorldとSkillsBench with MiniMax-M2.7では、SkillDAGは67.1%の成功と27.3%の報酬を得た。
  論文  参考訳（メタデータ） (2026-06-02T02:45:21Z)
• F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
  大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。 この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。 このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。 本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T04:52:33Z)
• UniRec: Bridging the Expressive Gap between Generative and Discriminative Recommendation via Chain-of-Attribute [12.89120699793625]
  Generative Recommendation (GR) reframes search and ranking as autoregressive decoding over Semantic IDs (SIDs) p(y|f,u) によるランクは p(f|y,u) によるランクと同値であり、アイテムの特徴を自己回帰的に分解する。 提案するUniRecとChain-of-Attribute(CoA)は、その中核となるメカニズムである。CoAは、SIDを復号する前に構造化属性トークン:カテゴリ、販売者、ブランドを含む各SIDシーケンスをプレフィックスし、識別モデルが活用するアイテム側の特徴交差を復元する。
  論文  参考訳（メタデータ） (2026-04-14T03:13:50Z)
• Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
  Instruct-LFはゴール指向の潜在因子発見システムである。 命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
  論文  参考訳（メタデータ） (2025-02-21T02:03:08Z)
• Adaptation Approaches for Nearest Neighbor Language Models [4.839933270878873]
  半パラメトリック近傍言語モデル(k$NN-LMs)は、純粋にパラメトリックなLMよりも顕著に向上している。 この作業はそのギャップを埋めようと試み、新しいドメインに$k$NN-LMを適用するための次のアプローチを提案する。 それぞれの適応戦略を別々に検討し, アブレーション実験と広範囲な評価を行った。
  論文  参考訳（メタデータ） (2022-11-15T01:10:52Z)
• You can't pick your neighbors, or can you? When and how to rely on retrieval in the $k$NN-LM [65.74934004876914]
  Retrieval-enhanced Language Model (LM) は、大規模な外部データストアから取得したテキストにそれらの予測を条件付ける。 そのようなアプローチの1つ、$k$NN-LMは、既存のLMの予測を$k$-nearest近くのモデルの出力と補間する。 本研究では,2つの英語モデルデータセットに対するアプローチの有効性を実証的に測定する。
  論文  参考訳（メタデータ） (2022-10-28T02:57:40Z)
• Nearest Neighbor Zero-Shot Inference [68.56747574377215]
  kNN-Promptは、言語モデル(LM)を用いたゼロショット推論のためのk-nearest neighbor (kNN)検索拡張手法である。 ファジィ動詞化器は、各分類ラベルを自然言語トークンのセットに自動的に関連付けることで、下流タスクのスパースkNN分布を利用する。 実験により,kNN-Promptはドメイン適応に有効であり,さらに,kNN検索に使用するモデルのサイズに応じて,検索のメリットが増加することが示された。
  論文  参考訳（メタデータ） (2022-05-27T07:00:59Z)

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。