論文の概要: UniRank: Benchmarking Ranking Models for Unified Sequential Modeling and Feature Interaction

• arxiv url: http://arxiv.org/abs/2607.19987v2
• Date: Thu, 23 Jul 2026 07:54:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 14:12:06.750197
• Title: UniRank: Benchmarking Ranking Models for Unified Sequential Modeling and Feature Interaction
• Title（参考訳）: UniRank: 統一シーケンスモデリングと機能インタラクションのためのベンチマークランキングモデル
• Authors: Honghao Li, Xianquan Wang, Zibin Zhang, Yi Zhang, Kangyi Lin, Yiwen Zhang,
• Abstract要約: 本論文では、逐次モデリングと機能相互作用を統一するランキングモデルのためのオープンベンチマークUniRankを提案する。 我々は、ショートビデオ、広告、およびEコマースプラットフォームからの5つの大規模パブリックデータセットに対して、15の代表的な統合ランキングモデルをベンチマークする。 UniRankは、統一されたランキングモデルの比較、限られた計算の下でのスケーリング法の研究、学術と工業のランキング研究の間のギャップを狭める再現可能な基盤を提供する。
• 参考スコア（独自算出の注目度）: 10.489900944065083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ranking is a core stage in online advertising and recommender systems. Modern ranking models increasingly unify sequential modeling and feature interaction, yet many advances rely on proprietary data, closed implementations, and large-scale industrial infrastructure. This setting limits reproducible comparison and hinders academic study of scaling laws, long-sequence modeling, and multi-task ranking. To address these limitations, this paper proposes UniRank, an open benchmark for ranking models that unify sequential modeling and feature interaction. UniRank uses chronological pointwise autoregressive supervision, standardizes evaluation across feedback tasks, and provides a PyTorch toolkit with Distributed Data Parallel training, operator optimization, mixed-precision training, attention optimization, and other efficiency techniques that reduce hardware requirements. We benchmark 15 representative unified ranking models on five large-scale public datasets from short-video, advertising, and e-commerce platforms, with the largest dataset containing over 700 million instances and the longest behavior sequence exceeding 10^5 interactions. UniRank provides a reproducible basis for comparing unified ranking models, studying scaling laws under limited compute, and narrowing the gap between academic and industrial ranking research. We believe UniRank benefits researchers, practitioners, and beginners through reproducible experiments, production-oriented evaluation, and accessible implementations. Code and data are available at https://github.com/salmon1802/UniRank.
• Abstract（参考訳）: ランキングはオンライン広告とレコメンデーションシステムにおける中核的な段階である。 現代のランキングモデルは、シーケンシャルなモデリングと機能の相互作用を統一する傾向にあるが、多くの進歩はプロプライエタリなデータ、クローズドな実装、大規模産業インフラに依存している。 この設定は再現可能な比較を制限し、スケーリング法、長いシーケンスモデリング、マルチタスクランキングの学術研究を妨げる。 これらの制約に対処するために、逐次モデリングと機能相互作用を統一するランキングモデルのためのオープンベンチマークであるUniRankを提案する。 UniRankは、時系列的ポイントワイド自動回帰監視を使用して、フィードバックタスク間の評価を標準化し、分散データ並列トレーニング、オペレータ最適化、混合精度トレーニング、アテンション最適化、その他のハードウェア要件を削減したPyTorchツールキットを提供する。 我々は,ショートビデオ,広告,Eコマースの5つの大規模公開データセットを対象とした15の代表的な総合ランキングモデルをベンチマークした。 UniRankは、統一されたランキングモデルの比較、限られた計算の下でのスケーリング法の研究、学術と工業のランキング研究の間のギャップを狭める再現可能な基盤を提供する。 UniRankは、再現可能な実験、製品指向の評価、アクセス可能な実装を通じて、研究者、実践者、初心者に恩恵をもたらすと信じています。 コードとデータはhttps://github.com/salmon1802/UniRank.comで公開されている。

関連論文リスト

• An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation [50.09718257952108]
  Sequentialsolvは、シーケンシャルなパターンとセマンティックなアイテム情報を組み合わせたジェネレーティブなレコメンデーターへと移行している。 これらの手法は、しばしば、広く使われている少数のベンチマークで評価され、重要な疑問を提起する: これらのベンチマークは、現代のジェネレーティブレコメンデーターが提供しようとしている高度なモデリング機能を必要としているか? 我々は、意図的な単純なグラフでベンチマーク監査を行い、最後の1つか2つの項目から、数ホップの項目遷移グラフから候補を検索し、項目間類似度でランク付けする。
  論文  参考訳（メタデータ） (2026-05-08T02:00:11Z)
• ReasonRank: Empowering Passage Ranking with Strong Reasoning Ability [83.16850534680505]
  本稿では,自動推論集約型トレーニングデータ合成フレームワークを提案する。 自己整合性データフィルタリング機構は、データ品質を保証するために設計されている。 トレーニングされた推論集約型リランカ textbfReasonRank は,BRIGHT のリーダボード上での最先端 (SOTA) のパフォーマンス40.6 を達成する。
  論文  参考訳（メタデータ） (2025-08-09T17:26:18Z)
• InteractRank: Personalized Web-Scale Search Pre-Ranking with Cross Interaction Features [11.714355867245795]
  Pinterestで使用されている堅牢なクロスインタラクション機能を備えた,新しい2つのタワープレグレードモデルであるInteractRankを紹介した。 Pinterestの実際のA/B実験では、InteractRankはBM25ベースラインで6.5%、バニラ2タワーベースラインで3.7%改善している。
  論文  参考訳（メタデータ） (2025-04-09T06:13:58Z)
• Optimizing E-commerce Search: Toward a Generalizable and Rank-Consistent Pre-Ranking Model [13.573766789458118]
  大規模なeコマースプラットフォームでは、ダウンストリームランキングモジュールのために、前もって製品の大部分をフィルタリングするために、プレグレードフェーズが不可欠である。 1) 製品がトップk内にあるかどうかを予測する複数のバイナリ分類タスクを導入し、共通のポイントワイドランキングモデルでの学習目標の追加を容易にする。2) 製品埋め込みのサブセットを事前トレーニングすることで、すべての製品に対するコントラスト学習による一般化性。
  論文  参考訳（メタデータ） (2024-05-09T07:55:52Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
  ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。 ピランクは所望の指標をゼロ温度の限界で正確に回収する。
  論文  参考訳（メタデータ） (2020-12-12T05:07:36Z)
• Ranking Creative Language Characteristics in Small Data Scenarios [52.00161818003478]
  DirectRankerを適用して、小さなデータでクリエイティブ言語をランク付けするための、新しいディープモデルを提供します。 スパーストレーニングデータを用いた実験により、標準的なニューラルネットワークのランク付け手法の性能は小さなデータセットで崩壊するが、DirectRankerは依然として有効であることがわかった。
  論文  参考訳（メタデータ） (2020-10-23T18:57:47Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)

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。