論文の概要: Field-Aware RankMixer with Dual-Stream Bilinear Fusion for the Tencent UNI-REC Challenge
- arxiv url: http://arxiv.org/abs/2607.15590v1
- Date: Fri, 17 Jul 2026 03:22:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.740694
- Title: Field-Aware RankMixer with Dual-Stream Bilinear Fusion for the Tencent UNI-REC Challenge
- Title（参考訳）: Tencent UNI-RECチャレンジのためのデュアルストリームバイリニアフュージョン付きフィールド対応ランクミキサ
- Abstract要約: 本報告では,KDDカップ2026 Tencent UNIREC Challengeの解について述べる。
このタスクには、複数ドメインのユーザ行動シーケンスを共同でモデリングする必要がある。
デュアルストリームバイリニア融合を用いたフィールド・アウェア・ランクミクサを開発した。
- 参考スコア（独自算出の注目度）: 6.560591409127247
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents our solution to the KDD Cup 2026 Tencent UNIREC Challenge. The task requires joint modeling of multi-domain user behavior sequences and non-sequential multi-field features for target-ad pCVR prediction. We develop a Field-Aware RankMixer (FA-RankMixer) with dual-stream bilinear fusion. The model first applies target-aware DIN modules to extract user interests from multiple behavior domains. It also models recent and earlier interests separately for the longest behavior sequence. The model then forms semantic tokens based on feature fields and behavior domains and uses RankMixer blocks for cross-token interaction. A shallow MLP stream complements the deep RankMixer stream, and a group-wise bilinear module fuses their representations. Our final solution ranks ninth on the official leaderboard. Our code is available at https://github.com/PixelCookie-zyf/TAAC-2026-SeRankMixer.
- Abstract（参考訳）: 本報告では,KDDカップ2026 Tencent UNIREC Challengeの解について述べる。
このタスクには、ターゲット・アド・pCVR予測のためのマルチドメインユーザ行動シーケンスと非シーケンスマルチフィールド機能の共同モデリングが必要である。
デュアルストリームバイリニア融合を用いたフィールド・アウェア・ランクミクサ(FA-RankMixer)を開発した。
モデルはまず、複数の動作ドメインからユーザ関心を引き出すために、ターゲット対応のDINモジュールを適用します。
また、より長い行動シーケンスのために、最近およびそれ以前の関心を別々にモデル化する。
モデルが機能フィールドと振舞いドメインに基づいてセマンティックトークンを形成し、クロストークンインタラクションにRangeMixerブロックを使用する。
浅い MLP ストリームは、深い RankMixer ストリームを補完し、グループワイドの双線形モジュールはその表現を融合させる。
最後の解決策は、公式のリーダーボードで9位です。
私たちのコードはhttps://github.com/PixelCookie-zyf/TAAC-2026-SeRankMixerで利用可能です。
関連論文リスト
- UniDot: A Unified Network for Sequence Modeling and Feature Interaction in Large-scale Recommendation [3.59042069607434]
ファクトリゼーション・マシンの観点から構築されたポストクリック変換予測のための新しいアーキテクチャであるUniDotを提案する。
トークンの単一のドット積は、機能の相互作用とシーケンスモデリングの両方を基盤にすることができる。
ユニドットは、TAAC KDDカップ2026のインダストリアルトラックで優勝した。
論文 参考訳（メタデータ） (2026-08-17T16:52:56Z) - RoleMix: Unifying Sequential and Non-Sequential Features via Semantic Tokenization for Post-Click Conversion Rate Prediction [1.6050320174037502]
RoleMixは、共有されたロール保存トークンインターフェースを通じて、シーケンシャルかつ非シーケンシャルなエビデンスを表す。
大規模なKDDカップ2026 Tencent UniRec Challengeでは、RoleMixは83.648%のオンラインAUCを達成し、公式産業ベースラインを1.953%上回っている。
論文 参考訳（メタデータ） (2026-07-18T15:44:48Z) - DiffRetriever: Parallel Representative Tokens for Retrieval with Diffusion Language Models [47.963203679519744]
DiffRetrieverは拡散言語モデルのための代表型レトリバーである。
Kをマスクした位置をプロンプトに追加し、すべてのKを1つの双方向前方パスで読み取る。
ボトルネックは、マルチトークンのアイデアそのものではなく、シーケンシャルな生成であることを示す。
論文 参考訳（メタデータ） (2026-05-08T03:57:51Z) - SEMixer: Semantics Enhanced MLP-Mixer for Multiscale Mixing and Long-term Time Series Forecasting [9.398256560898448]
SEMixerは長期時系列予測(TSF)用に設計された軽量モデルである
MixerはRAM(Random Attention Mechanism)とMPMC(Multiscale Progressive Mixing Chain)を備えている。
MPMCはRAMとアンサンブルミキサーをメモリ効率よくスタックし、より効果的な時間混合を実現する。
論文 参考訳（メタデータ） (2026-02-18T06:53:32Z) - LLM-EDT: Large Language Model Enhanced Cross-domain Sequential Recommendation with Dual-phase Training [53.539682966282534]
クロスドメインシーケンスレコメンデーション (CDSR) は、様々なドメインからの情報を取り入れることで、ユーザとイテムのインタラクションを強化するために提案されている。
現在の進歩にもかかわらず、不均衡問題と移行問題はCDSRのさらなる発展を妨げる。
デュアルフェーズトレーニング(LLM-EDT)によるLLMの拡張型クロスドメインシーケンスレコメンデーションを提案する。
論文 参考訳（メタデータ） (2025-11-25T05:18:04Z) - RankMixer: Scaling Up Ranking Models in Industrial Recommenders [25.072128027628104]
工業用レコメンダのトレーニングとサービスコストは、厳格なレイテンシ境界と高いQPS要求を尊重しなければならない。
RankMixerは,統一的でスケーラブルな機能インタラクションアーキテクチャを指向した,ハードウェア対応のモデル設計である。
実験では、数兆のスケールのプロダクションデータセット上で、RangMixerの優れたスケーリング能力を示している。
論文 参考訳（メタデータ） (2025-07-21T12:28:55Z) - Leveraging Multimodal Data and Side Users for Diffusion Cross-Domain Recommendation [23.27301183474805]
クロスドメインレコメンデーション(CDR)は、Recommender Systemsの永続的なコールドスタート問題に対処することを目的としている。
拡散クロスドメインレコメンデーション(MuSiC)のためのマルチモーダルデータとサイドユーザを利用したモデルを提案する。
MuSiCは最先端のパフォーマンスを実現し、選択されたすべてのベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2025-07-05T10:57:29Z) - Semantic Gaussian Mixture Variational Autoencoder for Sequential Recommendation [49.492451800322144]
本稿では,VAEに基づくシークエンシャルレコメンデーションモデルであるSIGMAを提案する。
SIGMAは多利活用のための確率的多利抽出モジュールを含む。
公開データセットの実験では、SIGMAの有効性が示されている。
論文 参考訳（メタデータ） (2025-02-22T08:29:52Z) - Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。
近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。
マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
論文 参考訳（メタデータ） (2024-11-22T15:29:05Z) - Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。
我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。
我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文 参考訳（メタデータ） (2022-09-30T15:01:35Z) - MixMo: Mixing Multiple Inputs for Multiple Outputs via Deep Subnetworks [97.08677678499075]
マルチインプットマルチアウトプットディープワークを学ぶための新しいフレームワークであるMixMoを紹介します。
機能、特にCutMixのパッチによるバイナリの混合は、ワークをより強く、より多様なものにすることによって、結果を向上します。
実装が容易で、推論にコストがかかることに加えて、我々のモデルはよりコストの高いデータ拡張深層アンサンブルよりも優れています。
論文 参考訳（メタデータ） (2021-03-10T15:31:02Z)
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。