論文の概要: Hypothesis-Driven Shelf Generation for Personalised Recommendation
- arxiv url: http://arxiv.org/abs/2607.25823v1
- Date: Tue, 28 Jul 2026 15:05:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.87816
- Title: Hypothesis-Driven Shelf Generation for Personalised Recommendation
- Title（参考訳）: パーソナライズされたレコメンデーションのための仮説駆動型シェルフ生成
- Abstract要約: 本稿では,Spotify Home のためのコンテンツハイブリッド駆動型シェルフ生成システムを提案する。
固定テンプレートを、パーソナライズされた棚に含めるべきものを記述した自然言語仮説に置き換える。
その結果,仮説駆動型棚はパーソナライズされたレコメンデーション供給を大幅に拡大することがわかった。
- 参考スコア（独自算出の注目度）: 31.598353535470142
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Modern recommendation interfaces organise content into shelves: themed rows such as "More of What You Like" or "New Releases for You." In production systems, these shelves are typically defined through hand-crafted templates coupled with dedicated retrieval logic. While effective for broad recommendation intents, this approach does not scale to the long tail of individual taste. We present a content-hypothesis-driven shelf generation system for Spotify Home that replaces fixed templates with natural-language hypotheses describing what a personalised shelf should contain. The system has four stages hypothesis generation, catalogue fulfilment, shelf alignment, and offline serving. This decomposition decouples shelf planning from catalogue fulfilment, supports independent optimisation of planning and retrieval, and enables both constrained generative retrieval over catalogue entities and distillation of frontier LLM behaviour into compact models. Our production pipeline combines hypothesis generation, generative retrieval, candidate selection and shelf alignment, offline LLM-as-a-judge evaluation, and precomputed serving. We describe the end-to-end architecture and evaluate it through offline analyses and an early online evaluation under uniform random exposure on Spotify Home. Results show that hypothesis-driven shelves substantially expand personalised recommendation supply with engagement that varies by content type and is competitive with strong existing shelves in some settings.
- Abstract（参考訳）: モダンなレコメンデーションインターフェースは、コンテンツを棚にまとめる: "More of What You Like" や "New Releases for You" のようなテーマの行。
プロダクションシステムでは、これらの棚は通常手作りのテンプレートと専用の検索ロジックによって定義される。
広範に推奨する意図には効果があるが、このアプローチは個々の味の長い尾にスケールしない。
本稿では,Spotify Homeのコンテンツヒポテシス駆動型棚生成システムについて紹介する。
システムには4段階の仮説生成、カタログ補完、棚のアライメント、オフラインサービスがある。
この分解によって、カタログのフルフィルメントから棚のプランニングを分離し、計画と検索の独立な最適化をサポートし、カタログエンティティに対する制約付き生成検索とフロンティアLCMの振る舞いをコンパクトなモデルに蒸留することが可能となる。
生産パイプラインは,仮説生成,生成検索,候補選択と棚のアライメント,オフラインLCM-as-a-judge評価,事前計算サービスを組み合わせた。
エンド・ツー・エンドのアーキテクチャを説明し、オフライン分析とSpotify Homeのランダムな露出による早期オンライン評価を通じて評価する。
その結果、仮説駆動型棚は、コンテンツの種類によって異なるエンゲージメントによって、パーソナライズされたレコメンデーションサプライを大幅に拡大し、いくつかの設定において、強力な既存棚と競合することを示す。
関連論文リスト
- EchoRec: Multi-Item Prediction-Empowered Generative Recommendation via Cycle-Consistent Preference Alignment [57.08595331216049]
生成レコメンデーションは、ターゲット項目のセマンティックIDを自己回帰的に生成し、共有トークン空間内の嗜好モデリングとインデックス検索を統合する。
近年の試行ではMTP(Multi-Token Prediction)を導入しているが、その効率性は主に継承され、密集した監視対象としての可能性は未解明のままである。
提案するEchoRecは,マルチホライゾンにまたがるサイクル一貫性の全体的嗜好アライメントをMPPに付与し,生成的レコメンデーションを実現する。
論文 参考訳（メタデータ） (2026-08-14T06:59:12Z) - MM-BizRAG: Rethinking Multimodal Retrieval-Augmented Generation for General Purpose Enterprise Q&A [13.040489131301081]
MM-BizRAGは文書構造認識スプリットを介して文書構造を積極的に抽出し、表現する。
MM-BizRAGは、最先端のビジョン中心のベースラインを最大32%上回っている。
論文 参考訳（メタデータ） (2026-06-02T21:31:47Z) - F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。
この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。
このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。
本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-13T04:52:33Z) - A Cascaded Generative Approach for e-Commerce Recommendations [2.1778153424356885]
本稿では,ストアフロント構築を2つの生成タスクに分解する,ケースケードメルチャンディジングフレームワークを提案する。
ファインチューニングされたモデルアブレーションは、閉軽量LLM性能に近づくことが示されている。
オンライン実験では、このフレームワークはページビュー当たりのカートの昇降率を+2.7%と見積もっている。
論文 参考訳（メタデータ） (2026-05-11T18:27:08Z) - From Local Indices to Global Identifiers: Generative Reranking for Recommender Systems via Global Action Space [50.72071213515985]
GloRankは、ローカルインデックスの選択からグローバル識別子の生成に移行する、ジェネレーティブなフレームワークである。
我々はGloRankが最先端のベースラインを一貫して上回り、コールドスタートシナリオにおいて優れたロバスト性を実現することを示す。
論文 参考訳（メタデータ） (2026-04-28T06:57:00Z) - SimGR: Escaping the Pitfalls of Generative Decoding in LLM-based Recommendation [68.00727783181289]
推薦システムの中核的な目的は、パーソナライズされたレコメンデーションを可能にするために、アイテムよりもユーザの好みの分布を正確にモデル化することである。
アイテムレベルの嗜好分布を推定する際に,既存の手法が必然的に系統的バイアスを生じさせることを観察する。
textbfSimply textbfGenerative textbfRecommendation (textbfSimGR)を提案する。
論文 参考訳（メタデータ） (2026-02-08T07:26:52Z) - SlidesGen-Bench: Evaluating Slides Generation via Computational and Quantitative Metrics [49.092634600260965]
SlidesGen-Benchは、3つのコア原理のレンズを通してスライド生成を評価するために設計されたベンチマークである。
まず、視覚領域で解析を行い、端末出力をレンダリングとして扱い、基礎となる生成法に非依存なままにする。
次に,3次元のスライド(コンテンツ,美学,編集可能性)を定量的に評価する計算手法を提案する。
論文 参考訳（メタデータ） (2026-01-14T13:50:30Z) - HiGR: Efficient Generative Slate Recommendation via Hierarchical Planning and Multi-Objective Preference Alignment [22.73838860623495]
HiGRは効率的な生成スレートレコメンデーションフレームワークであり、階層的計画とリストワイドな優先順位調整を統合している。
大規模な商用メディアプラットフォームの実験では、HiGRがオフライン評価とオンラインデプロイメントの両方で一貫した改善を実現しています。
論文 参考訳（メタデータ） (2025-12-31T11:16:24Z) - LayoutCoT: Unleashing the Deep Reasoning Potential of Large Language Models for Layout Generation [3.1627400208503653]
条件付きレイアウト生成は、ユーザが定義した制約から視覚的に魅力的でセマンティックに一貫性のあるレイアウトを自動的に生成することを目的としている。
本稿では,Large Language Models (LLMs) の推論能力を活用する新しい手法として,検索型拡張生成(RAG) とChain-of-Thought (CoT) 技術の組み合わせを提案する。
我々は3つの条件付きレイアウト生成タスクにまたがる5つの公開データセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2025-04-15T03:12:01Z) - Generative Slate Recommendation with Reinforcement Learning [49.75985313698214]
強化学習アルゴリズムは、レコメンデータシステムのユーザエンゲージメントを最適化するために使用することができる。
しかし、RLアプローチはスレートレコメンデーションシナリオでは難解である。
この設定では、アクションはアイテムの組み合わせを含むことができるスレートに対応する。
本研究では,変分オートエンコーダによって学習された連続低次元ラテント空間におけるスレートの符号化を提案する。
我々は、(i)以前の作業で要求される仮定を緩和し、(ii)完全なスレートをモデル化することで、アクション選択の品質を向上させることができる。
論文 参考訳（メタデータ） (2023-01-20T15:28:09Z)
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。