Fugu-MT 論文翻訳(概要): Multi-Decoder OneRec: Controllable Generative Retrieval for Multi-Objective Industrial Recommendation

論文の概要: Multi-Decoder OneRec: Controllable Generative Retrieval for Multi-Objective Industrial Recommendation

arxiv url: http://arxiv.org/abs/2607.26500v1
Date: Wed, 29 Jul 2026 05:54:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-30 21:06:25.550092
Title: Multi-Decoder OneRec: Controllable Generative Retrieval for Multi-Objective Industrial Recommendation
Title（参考訳）: マルチデコーダOneRec:多目的産業レコメンデーションのための制御可能な生成検索
Abstract要約: Multi-Decoder OneRecは、共有表現、分離された目的適応、コーディネートされたデコードを組み合わせた、制御可能なフレームワークである。我々はKwai26をリリースした。Kwai26は、13億の生のアイテムレベルのレコード、31.85万のアイテムIDエントリ、有効なセマンティックIDを備えた25.03万のアイテムを備えた大規模なマルチオブジェクトベンチマークである。同じ512イットの検索予算の下で、Multi-Decoder OneRecは4つのRecall@512メトリクスに対して、1デコーダOneRecベースラインを1.69%-5.62%改善している。
参考スコア（独自算出の注目度）: 42.92484041045021
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Industrial recommender systems build candidate pools by assigning explicit quotas to objective-specific retrieval routes. This design offers quota control but increasingly fragments modeling, training, and serving as the route set grows. Semantic-ID-based generative retrieval provides a unified alternative, yet a single decoder entangles objective policies and limits candidate complementarity. We propose Multi-Decoder OneRec, a controllable framework that combines shared representations, isolated objective adaptation, and coordinated decoding. All objectives share a user-context module and the General Decoder, while each objective adds an isolated, parameter-efficient LoRA expert. During training, exposure-sample next-token prediction (NTP) updates the shared base, target-filtered NTP updates the event-based experts, and Kullback-Leibler (KL)-regularized policy optimization updates the Watch-time expert; gradient routing isolates these updates, and the General Decoder supplies a stop-gradient reference. At inference, explicit route quotas allocate the fixed budget and Multi-Decoder Constrained Beam Search reduces cross-route overlap. We publicly release Kwai26, a large-scale multi-objective benchmark with 1.31 billion raw item-level records, 31.85 million Item-ID entries, and 25.03 million items with valid Semantic IDs, together with predefined splits and an evaluation protocol. Under the same 512-item retrieval budget, Multi-Decoder OneRec improves over the single-decoder OneRec baseline by 1.69%-5.62% across four Recall@512 metrics. In a production A/B test, it yields relative gains of 0.37% in app usage time per device, 0.19% in Day-7 retained users, 0.19% in devices with at least one share, and 2.09% in new-content Cold-Start. These results show that generative retrieval can combine shared modeling with objective-specific control and complementary candidate generation.
Abstract（参考訳）: 産業推薦システムは、明示的なクォータを客観的な検索経路に割り当てることで候補プールを構築する。この設計はクォータ制御を提供するが、ルートセットが大きくなるにつれて、フラグメントのモデリング、トレーニング、サービスを提供するようになっている。セマンティックIDに基づく生成検索は統一的な代替手段を提供するが、単一のデコーダは客観的なポリシーを絡み、候補の相補性を制限している。共有表現、孤立した目的適応、協調デコードを組み合わせた制御可能なフレームワークであるMulti-Decoder OneRecを提案する。すべての目的はユーザコンテキストモジュールとジェネラルデコーダを共有し、それぞれの目的は独立したパラメータ効率のLoRAエキスパートを追加する。トレーニング中、NTP(Exposure-sample next-token Prediction)が共有ベースを更新し、ターゲットフィルタされたNTPがイベントベースのエキスパートを更新し、Kulback-Leibler(KL)が正規化されたポリシ最適化がウォッチタイムエキスパートを更新し、勾配ルーティングがこれらの更新を分離し、General Decoderが停止段階の参照を提供する。推測では、明示的なルートクォータが固定予算を割り当て、マルチデコーダ制約ビームサーチはルート間のオーバーラップを減らす。 Kwai26は、13億の生のアイテムレベルのレコード、31.85万のアイテムIDエントリ、有効なセマンティックIDを備えた25.03万のアイテムと、事前に定義された分割と評価プロトコルを備えた大規模マルチオブジェクトベンチマークである。同じ512イットの検索予算の下で、Multi-Decoder OneRecは4つのRecall@512メトリクスに対して、1デコーダOneRecベースラインを1.69%-5.62%改善している。製品A/Bテストでは、デバイス当たりのアプリ使用時間の0.37%、ユーザ数7の0.19%、少なくとも1つのシェアを持つデバイスで0.19%、新しいコンテントのコールドスタートで2.09%という相対的なゲインが得られる。これらの結果から、生成的検索は、共有モデリングと客観的な制御と相補的候補生成を組み合わせられることが示された。

関連論文リスト

From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix [55.08143827481755]
200以上の内部アプリケーションから1つのモデルにトラフィックを集約します。我々は、各軸ごとに別々のGRPOエキスパートを訓練し、2段階のSLERPを介してそれらをマージする。このモデルは、プラットフォームトラフィックの50%、月1億6600万リクエストをサービスコストのごく一部で吸収する。
論文参考訳（メタデータ） (2026-09-01T17:39:26Z)
A Unified Backbone--Expert Framework with Relation-Token and Residual--Classifier Interfaces for Automatic Modulation Recognition [1.547549252134621]
本稿では、共通の畳み込み状態空間のバックボーンと2つの特殊なインターフェースを持つ統一されたバックボーン・エキスパート・フレームワークを提案する。我々のフレームワークは、RML2016.10bで67.28 pm 0.14%、HisarMod 2019で87.19 pm 0.77%という、全体的な平均精度を実現しています。
論文参考訳（メタデータ） (2026-08-15T10:26:42Z)
EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。 EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
論文参考訳（メタデータ） (2026-06-09T17:57:16Z)
Gryphon: A Unified Architecture for Semantic-ID Generation and Item-Level Scoring in Industrial Recommendations [0.0]
我々は、SID生成とともに、共同で訓練されたアイテムレベルスコアリングコンポーネントを導入する。累積トークン確率でSIDをランク付けする代わりに、Gryphonは生成された各SIDを具体的なアイテムに分解する。産業音楽サービスでは、次点の予測目標に基づいてアイテムレベルのスコアがトレーニングされた上で、GryphonはアイテムレベルのRecall@1000を最高レベルに到達した。
論文参考訳（メタデータ） (2026-06-07T12:31:26Z)
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)
HuggingR$^{4}$: A Progressive Reasoning Framework for Discovering Optimal Model Companions [50.61510609116118]
HuggingR$4$は、Reasoning、Retrieval、Refinement、Reflectionを組み合わせて効率的にモデルを選択する新しいフレームワークである。作業性率は92.03%、理性率は82.46%に達し、それぞれ26.51%、33.25%を超える。
論文参考訳（メタデータ） (2025-11-24T03:13:45Z)
GRank: Towards Target-Aware and Streamlined Industrial Retrieval with a Generate-Rank Framework [47.25361445845229]
産業規模のレコメンデータシステムはカスケードパイプラインに依存しており、検索段階では何十億ものアイテムから設定されたハイリコール候補を厳格なレイテンシで返さなければならない。本稿では,ユーザ中心の検索とターゲット認識学習をシームレスに統一する新しい構造化インデックスフリー検索パラダイムであるGRankを提案する。
論文参考訳（メタデータ） (2025-10-17T04:15:09Z)
OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search [43.94443394870866]
OneSearchは、eコマース検索のための最初の産業向けエンドツーエンド生成フレームワークである。 OneSearchは運用費を75.40%削減し、Model FLOPsの利用を3.26%から27.32%に改善した。このシステムはKuaishouの複数の検索シナリオにまたがって展開され、数百万のユーザーにサービスを提供している。
論文参考訳（メタデータ） (2025-09-03T11:50:04Z)
Collab: Controlled Decoding using Mixture of Agents for LLM Alignment [90.6117569025754]
人間のフィードバックからの強化学習は、大規模言語モデルを整合させる効果的な手法として現れてきた。制御された復号化は、再訓練せずに推論時にモデルを整列するメカニズムを提供する。本稿では,既存の既成のLCMポリシを活用するエージェントベースのデコーディング戦略の混合を提案する。
論文参考訳（メタデータ） (2025-03-27T17:34:25Z)
CROSS-JEM: Accurate and Efficient Cross-encoders for Short-text Ranking Tasks [12.045202648316678]
トランスフォーマーベースのランキングモデルは、そのようなタスクに対する最先端のアプローチである。 CROSS-JEM(Joint Efficient Modeling)を用いたクロスエンコーダを提案する。 CROSS-JEMは、トランスフォーマーベースのモデルでクエリの複数の項目を共同でスコアすることを可能にする。最先端の精度を実現し、標準のクロスエンコーダよりも4倍低いランクのレイテンシを実現している。
論文参考訳（メタデータ） (2024-09-15T17:05:35Z)
Efficient k-NN Search with Cross-Encoders using Adaptive Multi-Round CUR Decomposition [77.4863142882136]
クロスエンコーダモデルは、直接k-nearest neighbor(k-NN)サーチには不当に高価である。本稿では,現実的に重要なトップk近傍の近似誤差を適応的に,反復的に,効率的に最小化するADACURを提案する。
論文参考訳（メタデータ） (2023-05-04T17:01:17Z)

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。