論文の概要: PinEqualizer: Full Funnel Content Exploration and Debiasing System at Pinterest

• arxiv url: http://arxiv.org/abs/2607.22518v1
• Date: Fri, 24 Jul 2026 17:41:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.196836
• Title: PinEqualizer: Full Funnel Content Exploration and Debiasing System at Pinterest
• Title（参考訳）: PinEqualizer:Pinterestのフルファンネルコンテンツ探索とデバイアスシステム
• Abstract要約: 本稿では,業界規模の検索・レコメンデーションシステムにおけるコンテンツコールドスタート問題に対処する新しい解決策を提案する。 1) 提案手法は多段ファンネル全体にまたがり,探索面とレコメンデーション面の両方に有効である。 私たちはこの2年間、Pinterestでこの新システムを反復的に構築し、成功させてきました。
• 参考スコア（独自算出の注目度）: 11.986887204936458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a new solution for addressing the content cold-start problem in industry-scale search and recommender systems. Compared to prior approaches, we have made the following new contributions: 1) our solution spans the entire multi-stage funnel and generalizes well for both search and recommendation surfaces, 2) our solution reduces bias favoring existing content, allowing more accurate model prediction across content types and reducing short-term tradeoffs associated with high volumes of explicit content exploration, 3) our solution is evaluated with a scalable measurement framework that enables fast short-term experimentation while validating long-term impact. We have iteratively built and successfully deployed this new system at Pinterest in the past two years and observed significant improvements in fresh content exploration, overall user engagement, and content ecosystem health.
• Abstract（参考訳）: 本稿では,業界規模の検索・レコメンデーションシステムにおけるコンテンツコールドスタート問題に対処する新しい解決策を提案する。 従来のアプローチと比較して、以下の新しい貢献をした。 1) この解は多段ファンネル全体にまたがり, 探索面と推奨面の両方によく当てはまる。 2)本ソリューションは,既存のコンテンツに対する偏見を低減し,コンテンツタイプ間でのより正確なモデル予測を可能にし,大量の明示的コンテンツ探索に伴う短期的トレードオフを低減する。 3)我々のソリューションは,長期的影響を検証しながら短時間の迅速な実験を可能にするスケーラブルな測定フレームワークを用いて評価される。 私たちはこの2年間、Pinterestでこの新システムを反復的に構築し、成功させてきました。

関連論文リスト

• Evaluation-driven Scaling for Scientific Discovery [77.20820317940581]
  並列探索,フィードバック駆動の洗練,局所選択を組み合わせた,シンプルなテスト時間評価駆動スケーリング(SimpleTES)を紹介した。 適切な次元に沿って評価駆動の発見ループをスケールすることで、かなりの利益が得られます。 本研究は, 科学的発見を進展させる中心軸として, 効果的な評価駆動型ループスケーリングを確立した。
  論文  参考訳（メタデータ） (2026-04-21T11:24:09Z)
• Where to Explore: A Reach and Cost-Aware Approach for Unbiased Data Collection in Recommender Systems [4.013613514540094]
  本稿では,到達度と機会コストに基づいた配置を最適化し,コンテンツレベルの探索を安全かつ効率的に提供するためのアプローチを提案する。 月間アクティブユーザ数が1億人を超える大規模ストリーミングプラットフォームにデプロイされた当社のアプローチでは,エンゲージメントの低いスクロール深度領域を識別する。 提案手法は,大規模に探索コンテンツを提示する,展開可能な行動情報機構を導入することで,既存のブラウザ内多様化と帯域幅に基づく探索手法を補完する。
  論文  参考訳（メタデータ） (2025-12-11T04:03:44Z)
• Item-centric Exploration for Cold Start Problem [7.132196640884619]
  我々は、従来の「ユーザーにとって最良のアイテム」を見つけることの焦点は、生来のコンテンツに対する理想的なオーディエンスを故意に曖昧にする可能性があると論じている。 項目中心のレコメンデーションの概念を導入し、新しい項目に対して最適なユーザを特定するパラダイムをシフトする。
  論文  参考訳（メタデータ） (2025-07-12T23:22:23Z)
• Item Level Exploration Traffic Allocation in Large-scale Recommendation Systems [7.207863744953401]
  本稿では,大規模レコメンデーションシステムにおけるコールドスタート問題の解決に寄与する。 そこで本研究では,新鮮な商品に印象を効率的に割り当てるための探索システムを提案する。
  論文  参考訳（メタデータ） (2025-05-14T00:05:04Z)
• Impatient Bandits: Optimizing for the Long-Term Without Delay [20.753692240620644]
  本稿では,遅延報酬を伴う盗賊問題として定式化したコンテンツ探索課題について検討する。 これまでに得られたすべての情報を組み込んだ遅延報酬の予測モデルを開発した。 我々は,長期的成功に対応するコンテンツの識別を素早く学習するバンディットアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2025-01-14T00:28:26Z)
• Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms [68.51708490104687]
  調査力の低い純粋に関連性の高い政策は、短期的ユーザの満足度を高めるが、コンテンツプールの長期的豊かさを損なうことを示す。 調査の結果,プラットフォーム上でのユーザの即時満足度と全体のコンテンツ生産との間には,根本的なトレードオフがあることが判明した。
  論文  参考訳（メタデータ） (2024-10-31T07:19:22Z)
• Do RAG Systems Cover What Matters? Evaluating and Optimizing Responses with Sub-Question Coverage [74.70255719194819]
  サブクエストカバレッジに基づく新しいフレームワークを導入し、RAGシステムが質問の異なる面にどのように対処するかを計測する。 このフレームワークを使用して、You.com、Perplexity AI、Bing Chatの3つの商用生成応答エンジンを評価します。 すべての回答エンジンは、バックグラウンドやフォローアップよりも、コアサブクエストを頻繁にカバーしていますが、コアサブクエストの約50%を見逃しています。
  論文  参考訳（メタデータ） (2024-10-20T22:59:34Z)
• Evaluating Ensemble Methods for News Recommender Systems [50.90330146667386]
  本稿では,Microsoft News データセット (MIND) において,様々な最先端アルゴリズムを組み合わさって優れた結果を得るために,アンサンブル手法をどのように利用できるかを示す。 その結果,NRSアルゴリズムの組み合わせは,基礎学習者が十分に多様であることから,個々のアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-06-23T13:40:50Z)
• Impatient Bandits: Optimizing Recommendations for the Long-Term Without Delay [29.23091752603817]
  本稿では,遅延報酬を伴うマルチアームバンディット問題として定式化したコンテンツ探索課題について検討する。 これまでに得られたすべての情報を組み込んだ遅延報酬の予測モデルを開発した。 提案手法をポッドキャストレコメンデーション問題に適用し,ユーザが2ヶ月以上繰り返し参加する番組を特定する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:16Z)
• Incentivizing Exploration in Linear Bandits under Information Gap [50.220743323750035]
  線形バンディットにおけるミオピックユーザに対するインセンティブ探索の問題点について検討した。 長期報酬を最大化するために、システムは、ユーザに探索的な腕を引くインセンティブを与えるための補償を提供する。
  論文  参考訳（メタデータ） (2021-04-08T16:01:56Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)

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。