論文の概要: ZoRRO: A Zero-Weight Personalized Recommender System for Scalable News Recommendation

• arxiv url: http://arxiv.org/abs/2607.10910v1
• Date: Sun, 12 Jul 2026 20:30:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.56443
• Title: ZoRRO: A Zero-Weight Personalized Recommender System for Scalable News Recommendation
• Title（参考訳）: ZoRRO: スケーラブルニュースレコメンデーションのためのゼロウェイトパーソナライズされたレコメンデーションシステム
• Abstract要約: ZoRROは、パーソナライズされたニュースレコメンデーションのための、ゼロウェイトでトレーニング不要のフレームワークである。 オンラインA/Bテストのクリックスルーレートのパフォーマンスは、最先端のディープラーニングモデルとほぼ同等です。
• 参考スコア（独自算出の注目度）: 21.238191723981746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present ZoRRO (Zero-Weight Personalized Recommender System), a zero-weight, training-free framework for personalized news recommendation designed for scalable real-world deployment. ZoRRO outperforms strong neural baselines in offline ranking evaluations and achieves click-through rate performance in online A/B testing that is nearly on par with a state-of-the-art deep learning model, while operating more than 600 times faster. Our experiments reveal gaps between offline and online performance and demonstrate that models with similar click-through rate outcomes can produce markedly different recommendation distributions, thereby influencing the overall news flow. These findings position ZoRRO as a practical and efficient solution for large-scale news recommendation and highlight the importance of evaluating recommender systems using metrics beyond accuracy alone.
• Abstract（参考訳）: 本稿では,Zero-Weight Personalized Recommender System(Zero-Weight Personalized Recommender System)について紹介する。 ZoRROは、オフラインランキング評価において強力なニューラルネットワークベースラインを上回り、最新のディープラーニングモデルとほぼ同等のオンラインA/Bテストでクリックスルーレートのパフォーマンスを達成し、600倍以上の高速動作を実現している。 実験により,オフラインとオンラインのパフォーマンスのギャップが明らかとなり,クリックスルー率に類似したモデルが,非常に異なるレコメンデーション分布を生成でき,その結果,全体のニュースフローに影響を及ぼすことを示した。 これらの結果から,ZoRROは大規模ニュースレコメンデーションのための実用的で効率的なソリューションであり,精度以外の指標を用いたレコメンデーションシステムの評価の重要性を強調した。

関連論文リスト

• ERASE -- A Real-World Aligned Benchmark for Unlearning in Recommender Systems [53.62904488040001]
  提案するERASEは,推薦システムにおける機械学習のための大規模ベンチマークである。 ERASEは、コラボレーティブフィルタリング、セッションベースレコメンデーション、次世代レコメンデーションの3つのコアタスクにまたがる。 これには、センシティブなインタラクションやスパムを逐次削除するなど、現実世界のアプリケーションにインスパイアされた未学習シナリオが含まれている。
  論文  参考訳（メタデータ） (2026-03-09T13:00:23Z)
• MuonRec: Shifting the Optimizer Paradigm Beyond Adam in Scalable Generative Recommendation [60.1890607252082]
  MuonRecは、提案されたMuonイテレーションをRecSysトレーニングに導入する最初のフレームワークである。 我々は、レコメンデーションモデルのためのオープンソースのトレーニングレシピを開発し、従来のシーケンシャルなレコメンデーションモデルと近代的なジェネレーティブなレコメンデーションモデルの両方で評価する。
  論文  参考訳（メタデータ） (2026-02-28T02:32:44Z)
• Deep Reinforcement Learning for Ranking Utility Tuning in the Ad Recommender System at Pinterest [10.816672840498079]
  広告推薦システムにおけるランキングユーティリティ機能は、プラットフォーム、広告主、ユーザー間で価値のバランスをとる上で中心的な役割を果たす。 従来の手動チューニングは単純さと解釈性を提供しながら、しばしば準最適結果をもたらす。 個人化されたユーティリティチューニングのための一般的なDeep Reinforcement Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-05T17:57:45Z)
• OneRec Technical Report [75.69742949746596]
  提案するOneRecは,エンド・ツー・エンドのジェネレーティブ・アプローチによってレコメンデーションシステムを再評価する。 まず、現在のレコメンデーションモデルの計算FLOPを10$times$で拡張し、特定のバウンダリ内でのレコメンデーションのスケーリング法則を特定した。 第2に、推薦の最適化にこれまで適用が困難であった強化学習技術は、この枠組みに有意な可能性を示している。
  論文  参考訳（メタデータ） (2025-06-16T16:58:55Z)
• Why am I seeing this? Towards recognizing social media recommender systems with missing recommendations [4.242821809663174]
  グラフニューラルネットワーク(GNN)を用いた自動レコメンダ認識手法を提案する。 提案手法は,隠されたレコメンデータの正確な検出とユーザ行動への影響を可能にする。 この研究は、レコメンダが行動をどのように形成し、偏光と誤情報を減らすための努力を支援するかについての洞察を提供する。
  論文  参考訳（メタデータ） (2025-04-15T09:16:17Z)
• Can LLMs Outshine Conventional Recommenders? A Comparative Evaluation [33.031903907256606]
  本稿では、クリックスルーレート予測(CTR)とシーケンシャルレコメンデーション(SeqRec)という2つの主要なレコメンデーションタスクを評価するRecBenchを紹介する。 実験は最大17種類の大モデルを対象としており、ファッション、ニュース、ビデオ、書籍、音楽ドメインの5つの多様なデータセットで実施されている。 以上の結果から,LCMベースのレコメンデータは従来のレコメンデータよりも優れ,CTRシナリオでは最大5%のAUC改善,SeqRecシナリオでは最大170%のNDCG@10改善を実現した。
  論文  参考訳（メタデータ） (2025-03-07T15:05:23Z)
• Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
  我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。 分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。 BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2024-09-21T18:39:53Z)
• Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method [60.364834418531366]
  RRSの性能を包括的かつ正確に評価する5つの新しい評価指標を提案する。 因果的観点からRSを定式化し、二元的介入として勧告を定式化する。 提案手法では,結果の一致を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2024-08-19T07:21:02Z)
• ROLeR: Effective Reward Shaping in Offline Reinforcement Learning for Recommender Systems [14.74207332728742]
  オフライン強化学習(RL)は,実世界のレコメンデーションシステムに有効なツールである。 本稿では,リコメンダシステムのためのオフライン強化学習における報酬と不確実性評価のためのモデルベースReward Shapingを提案する。
  論文  参考訳（メタデータ） (2024-07-18T05:07:11Z)
• CherryRec: Enhancing News Recommendation Quality via LLM-driven Framework [4.4206696279087]
  我々は,textitCherryRecという名前のLarge Language Models (LLMs) を用いたニュースレコメンデーションフレームワークを提案する。 CherryRecは、レコメンデーションプロセスを加速しながら、レコメンデーションの品質を保証する。 提案手法の有効性を,ベンチマークデータセット上での最先端のベースライン手法と比較することにより検証する。
  論文  参考訳（メタデータ） (2024-06-18T03:33:38Z)
• RGRecSys: A Toolkit for Robustness Evaluation of Recommender Systems [100.54655931138444]
  複数の次元を包含するレコメンダシステムに対して,ロバスト性に関するより包括的視点を提案する。 本稿では、RecSys用のロバストネス評価ツールキットRobustness Gymを紹介し、リコメンダシステムモデルのロバストネスを迅速かつ均一に評価できるようにする。
  論文  参考訳（メタデータ） (2022-01-12T10:32:53Z)

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。