論文の概要: OneShot: Index-in-Ranking with Neural Scoring for Large-Scale Retrieval
- arxiv url: http://arxiv.org/abs/2607.27475v2
- Date: Fri, 31 Jul 2026 05:10:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.312587
- Title: OneShot: Index-in-Ranking with Neural Scoring for Large-Scale Retrieval
- Title（参考訳）: OneShot:大規模検索のためのニューラルネットワークによるインデックスインランキング
- Authors: Ziwei Li, Shuyao Li, Xufeng Cai, Xue Zou, Yiming Ma, Huiting Lu, Wujie Yan, Zhichen Zhao, Yang Lu, Zhe Wang, Rui Luo, Zhengyu Su, Dan Zhang, Yimin Tan, Ji Liu,
- Abstract要約: OneShotはエンドツーエンドのインモデルインデックス学習フレームワークで、インデックス学習とランキングの目標を一致させる。
OneShotはInstagramのインダストリアルショートビデオレコメンデーションシステムに完全にデプロイされており、ユーザ毎日のセッション、エンゲージメント、タイムスペントで大きな成功を収めている。
- 参考スコア（独自算出の注目度）: 20.305837374747398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In modern recommendation systems, retrieval serves as a primary stage responsible for filtering billions of candidate items down to thousands prior to refined ranking. To make this massive search effective and efficient, the system relies on ranking accuracy and indexing efficiency. However, these two objectives are traditionally misaligned: while the former optimizes for the alignment between ranking predictions and user behavior, the latter optimizes for a structural grouping of item representations which enables fast search among billions of candidates. Thus, despite extensive efforts to scale up interaction modeling for retrieval, they remain fundamentally limited by the structural misalignment between the ranking objectives and the proximity-learned index. In this work, we address this long-standing dichotomy by proposing a new holistic retrieval framework, OneShot. It is an end-to-end, in-model index learning framework that natively aligns index learning with ranking objectives. Using this joint learning as a structural foundation, OneShot pushes the boundaries of retrieval expressiveness by scaling interaction modeling with neural scoring beyond the persistent dot-product bottleneck. OneShot is fully deployed in Instagram's industrial short-video recommendation system, driving significant wins in user daily sessions, engagement, and time-spent. Additionally, OneShot achieves a $20\%$ recall gain at the operational ranking volume and a 10x efficiency improvement at an equivalent recall level.
- Abstract（参考訳）: 現代のレコメンデーションシステムでは、検索は数十億の候補アイテムを、洗練されたランキングの前に数千までフィルタリングする主要な段階として機能する。
この膨大な検索を効果的かつ効率的にするために、システムはランキングの精度とインデックスの効率に依存する。
前者はランキング予測とユーザ行動の整合性を最適化するのに対し、後者は数十億の候補間の高速検索を可能にするアイテム表現の構造的グループ化を最適化する。
このように、検索のための相互作用モデリングのスケールアップに多大な努力を払っているにもかかわらず、それらは、ランク付け対象と近接学習指標との間の構造的ミスアライメントによって、基本的に制限されている。
本研究では,この長期的二分法に,新たな総合検索フレームワークであるOneShotを提案する。
それはエンドツーエンドのインモデルインデックス学習フレームワークで、インデックス学習とランク付けの目的をネイティブに整合させる。
この共同学習を構造的基盤として使用することにより、OneShotは、永続的なドット積ボトルネックを越えて、ニューラルスコアによる相互作用モデリングをスケールすることで、検索表現性のバウンダリを推し進める。
OneShotはInstagramのインダストリアルショートビデオレコメンデーションシステムに完全にデプロイされており、ユーザ毎日のセッション、エンゲージメント、タイムスペントで大きな成功を収めている。
さらに、OneShotは、オペレーショナルランキングボリュームで20\%$リコールゲインを達成し、同等のリコールレベルで10倍の効率向上を実現している。
関連論文リスト
- CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。
この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
論文 参考訳（メタデータ） (2026-04-19T17:48:17Z) - Metric-agnostic Learning-to-Rank via Boosting and Rank Approximation [33.0347118359824]
そこで本研究では,各クエリの平均平方損失に対してスムーズな近似を組み合わした,新たな微分可能なランキング損失を提案する。
本手法は,情報検索における現状と同等の効率で性能を向上する。
論文 参考訳（メタデータ） (2026-04-16T14:59:00Z) - 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) - Learning Cascade Ranking as One Network [34.530252769521624]
Cascade Rankingは、リコメンデーションや広告プラットフォームのような大規模なトップk選択システムにおいて一般的なアーキテクチャである。
近年の進歩は、相互作用を意識したトレーニングパラダイムを導入しているが、それでも、学習目標とカスケードランキング全体の目標との整合に苦慮している。
本稿では,カスケードランキングによって基底真理項目が選択される確率の低い値から,新しい代理損失関数を導入するLCRONを提案する。
論文 参考訳（メタデータ） (2025-03-12T15:52:51Z) - RankTower: A Synergistic Framework for Enhancing Two-Tower Pre-Ranking Model [0.0]
大規模ランキングシステムでは、効率性と効率性のバランスをとるためにカスケードアーキテクチャが広く採用されている。
オンラインレイテンシの制約に従うために、効率性と精度のバランスを維持することは、プレグレードモデルにとって不可欠である。
そこで我々は,ユーザとイテムのインタラクションを効率的に捉えるために,RangeTowerという新しいニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-07-17T08:07:37Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - 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) - Cyclic Differentiable Architecture Search [99.12381460261841]
微分可能なArchiTecture Search(DARTS)は、ニューラルアーキテクチャサーチにおいて大きな注目を集めている。
我々はCDARTSと呼ばれる新しい共同目標と新しい周期微分可能なArchiTecture Searchフレームワークを提案する。
DARTS検索の分野では、CIFAR10で97.52%、ImageNetで76.3%、トップ1で76.3%の精度を達成した。
論文 参考訳（メタデータ） (2020-06-18T17:55:19Z) - Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。
ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。
連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-04T06:59:56Z)
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。