Fugu-MT 論文翻訳(概要): SlimPer: Make Personalization Model Slim and Smart

論文の概要: SlimPer: Make Personalization Model Slim and Smart

arxiv url: http://arxiv.org/abs/2607.12281v1
Date: Tue, 14 Jul 2026 02:31:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-15 17:08:30.014911
Title: SlimPer: Make Personalization Model Slim and Smart
Title（参考訳）: SlimPer: パーソナライズモデルのスリム化とスマート化
Abstract要約: SlimPer は,コンパクトで統一されたユーザ,項目> 知識基盤の反復的改良としてパーソナライズされたランキングを再構築する。 SlimPerは単一のバックボーン内でスパース、シークエンス、シークエンス機能を統一し、アテンションメカニズムを通じて固有の解釈性を提供する。
参考スコア（独自算出の注目度）: 20.68857468213109
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Transformer-style architectures are increasingly adopted for industrial recommendation systems, yet they inherit a design premise misaligned with the task: generative models rely on per-token autoregressive prediction, which justifies maintaining large intermediate tensors that scale with sequence length. In contrast, recommendation systems produce a single set of relevance scores for each <user, item> pair without token-level supervision. Leveraging this observation, we propose SlimPer, which reformulates personalized ranking as iterative refinement of a compact, unified <user, item> knowledge base. At each layer, the model selectively queries raw multi-modal user-side tokens, computes explicit relevance matching scores, and refines the knowledge base, all in O(N) per-layer cost with a fixed-size intermediate representation. As a result, model depth is decoupled from user history length, enabling deeper relevance understanding without proportional growth in compute or memory; request-only optimization further trims memory by sharing a single copy of user-side tokens across all candidate items. SlimPer unifies sparse, dense, and sequence features within a single backbone and provides inherent interpretability through its attention mechanism. Deployed on Instagram Reels and Feed, SlimPer yields measurable improvements in user engagement while streamlining the overall system and enabling effective modeling of 10k+ fine-grained user history events.
Abstract（参考訳）: トランスフォーマースタイルのアーキテクチャは、産業レコメンデーションシステムではますます採用されているが、それらは、そのタスクに不適合な設計前提を継承している: 生成モデルは、シーケンス長でスケールする大きな中間テンソルの維持を正当化する、トーケンごとの自己回帰予測に依存している。対照的に,レコメンデーションシステムはトークンレベルの監督を伴わない<user, item>ペアに対して,単一の関連スコアを生成する。そこで本研究では,コンパクトで統一された<user, item>知識基盤の反復的改良としてパーソナライズされたランキングを再構成するSlimPerを提案する。各レイヤにおいて、モデルは、生のマルチモーダルなユーザ側トークンを選択的にクエリし、明示的な関連性マッチングスコアを計算し、すべてのレイヤ毎のO(N)コストで、固定サイズの中間表現で知識ベースを洗練する。その結果、モデル深度はユーザ履歴の長さから切り離され、計算やメモリの比例的な増加なしにより深い関連性理解が可能になる。 SlimPerは単一のバックボーン内でスパース、シークエンス、シークエンス機能を統一し、アテンションメカニズムを通じて固有の解釈性を提供する。 Instagram ReelsとFeedにデプロイされたSlimPerは、システム全体を合理化しながら、ユーザエンゲージメントの計測可能な改善を実現し、10k以上のきめ細かいユーザ履歴イベントの効果的なモデリングを可能にする。

関連論文リスト

Collaborative Memory Augmentation for Generative Recommendation [49.76630658239287]
我々は、ジェネレーティブ・リコメンデーションのためのcOllaborative MEmory拡張フレームワークであるtextbfOMEGAを提案する。まず、学習可能なクエリトークンを用いて、逐次的ユーザ動作をコンパクトな表現に変換する潜在コンテキスト圧縮手法を提案する。これらの圧縮された表現は、協調的なメモリバンクに集約され、グローバルな行動パターンの明示的なリポジトリとして機能する。
論文参考訳（メタデータ） (2026-08-02T15:34:43Z)
TokenMinds: Pretrained User Tokens and Embeddings for User Understanding in Large Recommender Systems [22.086361560657593]
TokenMindsはPLUMフレームワークをアイテム検索からユーザモデリングまで拡張する産業規模のシステムである。個別のSIDベースのユーザトークンと、事前訓練されたLLMから適応したエンコーダデコーダアーキテクチャにより、密なユーザ埋め込みの両方を生成する。
論文参考訳（メタデータ） (2026-06-23T20:20:37Z)
Rethinking Convolutional Networks for Attribute-Aware Sequential Recommendation [6.846413131554734]
属性対応シーケンシャルレコメンデーションでは、ユーザが過去のインタラクションの時系列的に順序付けられた履歴に基づいて、次に対話するアイテムを予測する。既存の方法は典型的には、シーケンス全体を統一表現に集約するために自己認識機構を利用する。本稿では,畳み込み層を階層的かつ低スケールに利用して,コンパクトかつ表現力のあるシーケンス表現を生成するConvRecを提案する。
論文参考訳（メタデータ） (2026-05-06T10:18:43Z)
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)
MixFormer: Co-Scaling Up Dense and Sequence in Industrial Recommenders [11.566232697512879]
MixFormerは、レコメンデーションシステム用に設計されたTransformerスタイルの統一アーキテクチャである。単一のバックボーン内でのシーケンシャルな振る舞いと特徴的相互作用を共同でモデル化する。大規模産業データセットの実験は、MixFormerが常に優れた精度と効率を示すことを示した。
論文参考訳（メタデータ） (2026-02-15T11:53:30Z)
Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
論文参考訳（メタデータ） (2026-02-12T20:41:22Z)
P-GenRM: Personalized Generative Reward Model with Test-time User-based Scaling [66.55381105691818]
P-GenRM(Personalized Generative Reward Model)を提案する。 P-GenRMは、選好信号を適応的なペルソナとスコアリングルーリックを導出する構造化評価チェーンに変換する。さらにユーザをユーザプロトタイプにクラスタリングし、二重粒度スケーリングメカニズムを導入している。
論文参考訳（メタデータ） (2026-02-12T16:07:22Z)
CURP: Codebook-based Continuous User Representation for Personalized Generation with LLMs [60.867541073274715]
双方向ユーザエンコーダと離散プロトタイプコードブックを用いて,多次元ユーザ特性を抽出する新しいフレームワークCURPを提案する。この設計により、少数のトレーニング可能なパラメータでプラグアンドプレイのパーソナライズが可能となる。 CURPは,強いベースラインに比べて優れた性能と一般化を実現していることを示す。
論文参考訳（メタデータ） (2026-01-31T14:13:06Z)
Unified Personalized Understanding, Generating and Editing [54.5563878110386]
統一LMMのためのエンドツーエンドパーソナライズフレームワークである textbf OmniPersona を提案する。パーソナライズされた理解、生成、画像編集を単一のアーキテクチャに統合する。実験によると、OmniPersonaは多様なパーソナライゼーションタスクに対して、競争力と堅牢なパフォーマンスを提供する。
論文参考訳（メタデータ） (2026-01-11T15:46:34Z)
CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation [55.783414010717074]
CoFiRecは、アイテム情報をセマンティックレベルに分解する新しい生成レコメンデーションフレームワークである。我々は、CoFiRecが既存の手法より優れており、ジェネレーティブレコメンデーションの新しい視点を提供することを示す。
論文参考訳（メタデータ） (2025-11-27T18:59:35Z)
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)
Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
論文参考訳（メタデータ） (2021-02-18T11:03:48Z)

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。