論文の概要: GALA: Generative Aligned Learning for Adaptive Multimodal Representation in the Taobao Shangou Recommender System
- arxiv url: http://arxiv.org/abs/2607.29213v1
- Date: Fri, 31 Jul 2026 09:32:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.677153
- Title: GALA: Generative Aligned Learning for Adaptive Multimodal Representation in the Taobao Shangou Recommender System
- Title（参考訳）: GALA:多言語適応型多モーダル表現のための生成的アライメント学習
- Abstract要約: GALAは,ユーザの行動からマルチモーダルな事前学習データを構築し,変換に基づく報酬によって洗練する3段階パイプラインである。
GALAはTaobao Shangouのプロダクション環境にデプロイされ、毎日2億人のアクティブユーザを提供している。
一貫性のあるオフラインゲインを+0.12/+0.20 AUCで提供し、PCOCの指標も改善した。
- 参考スコア（独自算出の注目度）: 4.96441528622156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern recommender systems in food delivery increasingly leverage multimodal signals, including images, text, and user interaction histories, to enhance user experience, yet effective fusion of these heterogeneous modalities remains challenging, hindering both the joint modeling of multimodal signals and adaptation to evolving user intent. In mainstream two-stage approaches, the separation between content-semantic pretraining of image-text encoders and behavior-driven ranking models limits alignment between semantic understanding and user behavior patterns. To address these issues, we present GALA, a three-stage pipeline whose core innovation lies in an intermediate "generative RL alignment" stage that constructs multimodal pretraining data from user behavior and refines it via conversion-based rewards, effectively bridging the pretraining-fine-tuning gap to align with downstream objectives. GALA comprises three stages: first, behavior-aware triplet pretraining on query-image-text pairs from search logs to early capture user intent and content preferences; second, a novel intermediate stage that refines multimodal embeddings through reward-driven optimization (GRPO) to dynamically align them with user behavior and bridge the pretraining-fine-tuning gap; and finally, integration of multimodal and ID embeddings via adaptive gating with a hybrid loss, preserving multimodal contributions under long-term ID-dominant training. GALA has been deployed in the production environment at Taobao Shangou, serving over 200 million daily active users. Compared with state-of-the-art (SOTA) methods, it delivers consistent offline gains of +0.12/+0.20 AUC along with better PCOC metrics. Large-scale online A/B tests further report a 0.55 percent increase in order volume, confirming GALA's effectiveness at industrial scale and its robustness across diverse demand patterns.
- Abstract（参考訳）: 現代の食品デリバリーにおけるレコメンデーターシステムは、画像、テキスト、ユーザーインタラクション履歴などのマルチモーダル信号をますます活用してユーザーエクスペリエンスを向上させるが、これらの不均一なモダリティの効果的な融合は依然として困難であり、マルチモーダル信号の共同モデリングと、進化するユーザ意図への適応の両方を妨げる。
主流の2段階のアプローチでは、画像テキストエンコーダのコンテンツセマンティック事前学習と行動駆動ランキングモデルの分離により、意味理解とユーザの行動パターンの整合が制限される。
これらの課題に対処するため、GALAは、中間的な「世代的RLアライメント」段階にある3段階のパイプラインで、ユーザの振る舞いからマルチモーダルな事前学習データを構築し、変換ベースの報酬によって洗練し、トレーニング済みの微調整ギャップを効果的にブリッジして、下流の目的と整合させる。
GALAは、検索ログからクエリ-画像-テキストペアを事前学習し、ユーザ意図とコンテンツの嗜好を早期に捉え、第2に、報酬駆動最適化(GRPO)を通じてマルチモーダル埋め込みを洗練し、それらを動的に調整し、トレーニング済みの微調整ギャップを埋める、第2に、適応的ゲーティングによるマルチモーダルとIDの埋め込みの統合、長期のID支配トレーニングによるマルチモーダルコントリビューションの保存、の3段階からなる。
GALAはTaobao Shangouのプロダクション環境にデプロイされ、毎日2億人のアクティブユーザを提供している。
最先端のSOTA(State-of-the-art)法と比較すると、PCOC測定値の改善とともに、+0.12/+0.20 AUCの一貫性のあるオフラインゲインを提供する。
大規模オンラインA/Bテストはさらに、GALAの産業規模での有効性と、さまざまな需要パターンにおける堅牢性を確認するため、注文量の0.55%の増加を報告している。
関連論文リスト
- SIREN: Unified Multi-Granularity Semantic Interaction for Multi-Modal Lifelong User Interest Modeling [21.637289409638655]
産業レコメンデータシステムは、進化するユーザの好みを捉えるために、生涯にわたるユーザ行動履歴とリッチなマルチモーダルコンテンツを活用している。
SIRENは,マルチモーダル・ライフタイム・ユーザ・関心モデリングのための統合された多言語間セマンティック・インタラクション・フレームワークである。
2025年7月から、SIRENはTencentの広告プラットフォームでフルトラフィックサービス用に完全にローンチされた。
論文 参考訳（メタデータ） (2026-05-25T11:33:27Z) - Efficient Personalized Reranking with Semi-Autoregressive Generation and Online Knowledge Distillation [67.09494009022471]
本稿では,オンライン知識蒸留(PSAD)フレームワークを改訂するための新しいパーソナライズド・セミ・オートレグレッシブを提案する。
このフレームワークでは、教師モデルは、生成品質と効率のバランスをとるために半自己回帰ジェネレータを採用し、そのランキング知識はオンラインで軽量のスコアリングネットワークに抽出される。
3つの大規模な公開データセットで実施された実験により、PSADはランク付け性能と推論効率の両方において最先端のベースラインを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2026-03-07T08:37:13Z) - Dual-Stream Diffusion for World-Model Augmented Vision-Language-Action Model [62.889356203346985]
本稿では,モダリティ競合を処理する世界モデル拡張VLAフレームワークである Dual-STream diffusion (DUST) を提案する。
DUSTは標準のVLAベースラインと暗黙のワールドモデリングメソッドよりも最大6%向上する。
Franka Research 3による実世界のタスクでは、DUSTは成功率のベースラインを13%上回っている。
論文 参考訳（メタデータ） (2025-10-31T16:32:12Z) - Next Interest Flow: A Generative Pre-training Paradigm for Recommender Systems by Modeling All-domain Movelines [8.895768051554162]
本稿では,eコマースレコメンデータシステムのための新しい生成事前学習パラダイムを提案する。
我々のモデルは,ユーザの将来の意図を表す密度の高いベクトル列であるNext Interest Flowを予測することを学ぶ。
パイプライン全体を実装した統合フレームワークである All-domain Moveline Evolution Network (AMEN) を提示する。
論文 参考訳（メタデータ） (2025-10-13T12:13:17Z) - Progressive Semantic Residual Quantization for Multimodal-Joint Interest Modeling in Music Recommendation [6.790539226766362]
本稿では,2段階の新たなマルチモーダルレコメンデーションフレームワークを提案する。
最初の段階では、モーダル固有およびモーダルジョイントのセマンティックIDを生成する。
第2段階では、ユーザのマルチモーダルな関心をモデル化するために、マルチコードブックのクロスアテンションネットワークが設計されている。
論文 参考訳（メタデータ） (2025-08-28T02:16:57Z) - MoCa: Modality-aware Continual Pre-training Makes Better Bidirectional Multimodal Embeddings [75.0617088717528]
MoCaは、トレーニング済みのVLMバックボーンを効果的な双方向埋め込みモデルに変換するためのフレームワークである。
MoCaは、MMEBとViDoRe-v2ベンチマークのパフォーマンスを継続的に改善し、新しい最先端の結果を達成する。
論文 参考訳（メタデータ） (2025-06-29T06:41:00Z) - InternVL3: Exploring Advanced Training and Test-Time Recipes for Open-Source Multimodal Models [139.19991097260115]
InternVL3は、ネイティブなマルチモーダル事前学習パラダイムを備えたInternVLシリーズの重要な進歩である。
特に、InternVL3-78B は MMMU ベンチマークで72.2 のスコアを獲得し、オープンソースの MLLM に新しい最先端技術を設定する。
オープンサイエンスの原則を追求するため、我々は、次世代MLLMのさらなる研究・開発を促進するために、トレーニングデータとモデルウェイトの両方を公開します。
論文 参考訳（メタデータ） (2025-04-14T17:59:25Z) - MMA-DFER: MultiModal Adaptation of unimodal models for Dynamic Facial Expression Recognition in-the-wild [81.32127423981426]
実世界のアプリケーションでは,音声およびビデオデータに基づくマルチモーダル感情認識が重要である。
近年の手法は、強力なマルチモーダルエンコーダの事前学習に自己教師付き学習(SSL)の進歩を活用することに重点を置いている。
SSL-pre-trained disimodal encoders を用いて,この問題に対する異なる視点とマルチモーダル DFER の性能向上について検討する。
論文 参考訳（メタデータ） (2024-04-13T13:39:26Z) - Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。
AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。
AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
論文 参考訳（メタデータ） (2024-03-12T11:48:49Z)
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。