論文の概要: Heterogeneous Ranking in Industrial-Scale Recommender Systems: A Case Study

• arxiv url: http://arxiv.org/abs/2607.27577v1
• Date: Thu, 30 Jul 2026 01:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.360594
• Title: Heterogeneous Ranking in Industrial-Scale Recommender Systems: A Case Study
• Title（参考訳）: 産業規模のレコメンダシステムにおける不均一ランク付け : 事例研究
• Abstract要約: Google Discoverでは、統一フィードは、分散化されたオープンWebからソースされた多様なコンテンツを統合する。 異なるコンテンツタイプは、異なる特徴密度とユーザーインタラクションパターンを示す。 本稿では,異種飼料の産業規模マルチタスクランキングのエンドツーエンドケーススタディを提案する。
• 参考スコア（独自算出の注目度）: 5.563146510238206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterogeneous recommendation feeds present complex challenges that extend beyond those found in highly homogeneous environments (e.g., music-only or video-only closed-ecosystem platforms). In Google Discover, a unified feed integrates diverse content sourced from the decentralized open web, including web articles, long-form and short-form videos, user-generated content (UGC), and beyond. Different content types exhibit distinct feature densities and user interaction patterns. Building a unified ranking model that sustains high performance across such heterogeneity, while avoiding negative transfer or majority bias, remains a significant industrial challenge. This paper presents an end-to-end case study on the industrial-scale multi-task ranking of heterogeneous feeds, grounded in real-world deployment. We introduce HA-MoE, a heterogeneity-adaptive multi-gated mixture-of-experts architecture that incorporates explicit heterogeneity context into both gating networks and expert representations. This approach enables effective specialization without significantly increasing operational overhead. To support reliable deployment, we introduce LENS, a lightweight observability framework that provides interpretable diagnostics of expert specialization and tracks this functional heterogeneity across continuous retraining. We evaluate our method using Dual-Level AUC (DL-AUC), a heterogeneity-aware evaluation metric that combines global ranking performance with cross-segment ranking correctness. Offline evaluations on a large-scale industrial dataset demonstrate consistent improvements over baseline models. Furthermore, online A/B testing confirms gains in feed activity and exploration metrics. Together, offline and online results validate the effectiveness of our approach for managing heterogeneity in industrial-scale recommender systems.
• Abstract（参考訳）: 不均一な推奨は、非常に均質な環境(例えば、音楽のみ、またはビデオのみのクローズド・エコシステム・プラットフォーム)で見られるものを超えて広がる複雑な課題を提示する。 Google Discoverでは、統一されたフィードが、ウェブ記事、長文ビデオ、短文ビデオ、ユーザー生成コンテンツ(UGC)など、分散化されたオープンウェブからソースされた多様なコンテンツを統合している。 異なるコンテンツタイプは、異なる特徴密度とユーザーインタラクションパターンを示す。 このような不均一性を越えて高いパフォーマンスを維持する統一的なランキングモデルを構築する一方で、負の移動や多数派バイアスを避けることは、依然として重要な産業上の課題である。 本稿では,異種フィードの産業規模におけるマルチタスクランキングのエンド・ツー・エンドケーススタディについて述べる。 本稿では,ヘテロジニティ適応型マルチゲート・オブ・エキスパートアーキテクチャであるHA-MoEを紹介する。 このアプローチは、運用上のオーバーヘッドを大幅に増加させることなく、効果的な特殊化を可能にする。 信頼性の高いデプロイメントをサポートするために、専門家の専門化の解釈可能な診断を提供し、継続的なリトレーニングを通じて機能的不均一性を追跡する軽量な可観測性フレームワークであるLENSを紹介した。 我々は,グローバルランキング性能とクロスセグメントランキングの正しさを組み合わせた異種評価指標であるDual-Level AUC (DL-AUC) を用いて評価を行った。 大規模産業データセットのオフライン評価では、ベースラインモデルよりも一貫した改善が示されている。 さらに、オンラインA/Bテストは、フィードアクティビティと探索メトリクスの上昇を確認する。 産業規模のレコメンデータシステムにおける不均一性管理へのアプローチの有効性を,オフラインとオンラインの併用で検証した。

関連論文リスト

• Unifying Generative Recall and Multi-Objective Ranking in a Single Decoder-Only Sequence [26.231002784432842]
  生成的リコールとランキングのスケーリングは、共通のTransformerベースのモデリング哲学を共有している。 我々は textbfUniR$2$, textbfUnified decoder のみの変換器を提案し, 生成 textbfRecall と Multi-Objective textbfRanking を統一する。
  論文  参考訳（メタデータ） (2026-07-27T13:47:38Z)
• AffectAgent: Collaborative Multi-Agent Reasoning for Retrieval-Augmented Multimodal Emotion Recognition [62.16431420189863]
  LLMに基づくマルチモーダル感情認識は静的なパラメトリックメモリに依存しており、ニュアンス化された感情状態の解釈時にしばしば幻覚を与える。 本稿では,感情指向型マルチエージェント検索拡張生成フレームワークであるAffectAgentを紹介する。 AffectAgentは3つの共同最適化されたエージェント、すなわちクエリプランナー、エビデンスフィルタ、感情生成器から構成される。
  論文  参考訳（メタデータ） (2026-04-14T13:49:19Z)
• CroPS: Improving Dense Retrieval with Cross-Perspective Positive Samples in Short-Video Search [10.310885252492925]
  CroPS (Cross-Perspective Positive Samples) は、新しい検索データエンジンである。 ユーザクエリの修正行動から得られる肯定的な信号によるトレーニングを強化する。 CroPSは現在Kuaishou Searchに完全にデプロイされており、毎日数億人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） (2025-11-19T13:57:40Z)
• SASG-DA: Sparse-Aware Semantic-Guided Diffusion Augmentation For Myoelectric Gesture Recognition [8.027276175836837]
  表面筋電図に基づくジェスチャー認識はヒトと機械の相互作用(HMI)において重要な役割を果たす データ拡張は、トレーニングデータのサイズと多様性を高めるための有望なアプローチを提供する。 Sparse-Aware Semantic-Guided Diffusion Augmentation (SASG-DA)を提案する。
  論文  参考訳（メタデータ） (2025-11-11T15:22:12Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Real-IAD Variety: Pushing Industrial Anomaly Detection Dataset to a Modern Era [110.83702639978469]
  Real-IAD Varietyは、160の異なる対象カテゴリにわたる198,960の高解像度画像からなる、最大かつ最も多様なIADベンチマークである。 その多様性は、28の産業、24の素材タイプ、22のカラーバリエーションを包括的にカバーすることで保証されている。 この重要な分野のイノベーションを促進するために、Real-IAD Varietyが公開される。
  論文  参考訳（メタデータ） (2025-11-01T12:58:02Z)
• FORGE: Forming Semantic Identifiers for Generative Retrieval in Industrial Datasets [64.51403245281547]
  FORGEは、産業データセットを使ったジェネレーティブrEtrievalにおけるFOrmingセマンティック識別のベンチマークである。 現実世界のアプリケーションでは、オンラインコンバージェンスを半減するオフライン事前トレーニングスキーマが導入されている。
  論文  参考訳（メタデータ） (2025-09-25T08:44:22Z)
• Universal Retrieval for Multimodal Trajectory Modeling [12.160448446091607]
  軌道データは、AIエージェント能力を向上する大きな可能性を秘めている。 本稿では,ユニバーサル検索とエージェント中心軌道モデリングのギャップを埋めるマルチモーダル軌道検索手法を提案する。
  論文  参考訳（メタデータ） (2025-06-27T09:50:38Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Heterogeneous Domain Adaptation and Equipment Matching: DANN-based Alignment with Cyclic Supervision (DBACS) [3.4519649635864584]
  この研究は、サイクリック・スーパービジョン(DBACS)アプローチによるドメイン適応ニューラルネットワークを導入している。 DBACSはドメイン適応によるモデル一般化の問題、特に異種データに対処する。 この作業には、サブスペースアライメントや、異種表現を扱う多視点学習も含まれる。
  論文  参考訳（メタデータ） (2023-01-03T10:56:25Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。