論文の概要: Multi-Objective Ranking for Live-Streaming: Balancing Fresh and Delayed Signals with Segment-Aware Targeting

• arxiv url: http://arxiv.org/abs/2608.04455v1
• Date: Wed, 05 Aug 2026 05:14:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.728186
• Title: Multi-Objective Ranking for Live-Streaming: Balancing Fresh and Delayed Signals with Segment-Aware Targeting
• Title（参考訳）: ライブストリーミングのための多目的ランキング:セグメント認識によるフレッシュ信号と遅延信号のバランス
• Authors: Xiaoyi Gu, Julia Tavares, Eder Santana, Carlos Mendoza-Cardenas, Nikita Mishra, Saad Ali,
• Abstract要約: エンターテイメントのライブストリーミングサービスが直面する最も難しい問題の1つは、ユーザーの行動がまばらで遅れていることだ。 本稿では,フィードバック収集を即時応答を超えて拡張する遅延ウィンドウ手法を提案する。 また、新しい信号と遅延信号を組み合わせたマルチモデルアーキテクチャと、セグメント認識型ターゲティングモジュールを提案する。
• 参考スコア（独自算出の注目度）: 1.1259214300411828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the most challenging problems entertainment live-streaming services face in recommendation systems is that user behaviors are sparse and delayed, and interaction data exhibits bias for different user segments. Unlike e-commerce applications where user actions follow linear sequences, live-streaming viewers engage in multiple concurrent behaviors of watching, chatting, following, and spending, each occurring with varying delays. We address these challenges through three key contributions: 1) a delayed window approach that extends feedback collection beyond immediate responses, 2) a multi-model architecture that combines fresh and delayed signals, and a segment-aware targeting module that optimizes ranking scores differently across user lifecycle stages, and 3) Multi-gate Mixture-of-Experts (MMoE) integration that jointly models correlated targets while reducing model parameters by 41.9% compared to independent models. Online A/B testing demonstrates significant improvements, including a +0.09% increase in Daily Active Viewers (DAV), generating millions more annual active viewer days, and +0.56% increase in highly engaged viewers' capped Average Revenue Per User (ARPU). Viewer-segment targeting achieved an additional +0.15% DAV improvement for newer and less engaged viewers, while MMoE enhancement added +0.08% overall DAV and +0.27% new follows. The proposed system processes ranking requests with low latency, providing a scalable approach for balancing multiple business objectives across diverse user populations. In addition, we tested the multi-model architecture on the Twitch mobile live feed and achieved a +1.12% increase in positive user-channel interactions (clicks, follows, and likes), demonstrating applicability beyond the primary use case.
• Abstract（参考訳）: エンターテイメントのライブストリーミングサービスがレコメンデーションシステムで直面する最も困難な問題の1つは、ユーザの振る舞いが疎外され、遅延し、インタラクションデータが異なるユーザセグメントに対するバイアスを示すことである。 ユーザアクションが線形シーケンスに従うeコマースアプリケーションとは異なり、ライブストリーミングの視聴者は、視聴、チャット、フォロー、そして消費の複数の同時動作をそれぞれ異なる遅延で行う。 これらの課題には,3つの重要なコントリビューションを通じて対処する。 1) 即時応答を超えてフィードバック収集を拡張する遅延ウィンドウアプローチ。 2)新鮮信号と遅延信号を組み合わせたマルチモデルアーキテクチャと,ユーザライフサイクル段階のランキングスコアを最適化するセグメント認識型ターゲティングモジュール, 3)MMOE(Multi-gate Mixture-of-Experts)の統合により,モデルパラメータを独立モデルと比較して41.9%削減した。 オンラインA/Bテストは、デイリーアクティブビューア(DAV)の+0.09%の増加、年間アクティブビューアの日数の増加、エンゲージメントの高い視聴者のARPU(Average revenue Per User)の+0.56%の増加など、大幅な改善を示している。 視聴者セグメンテーションは、新規でエンゲージメントの低い視聴者に対して、さらに+0.15%のDAV改善を実現し、MMoEの強化により、全体のDAVが+0.08%、さらに+0.27%の新規なフォロワーが加わった。 提案システムでは、要求のランク付けを低レイテンシで処理し、多様なユーザ間で複数のビジネス目標のバランスをとるためのスケーラブルなアプローチを提供する。 さらに、Twitchモバイルライブフィード上でマルチモデルアーキテクチャをテストし、ポジティブなユーザチャネルインタラクション(クリック、フォロー、いいね!

関連論文リスト

• SSRLive: Live Streaming Recommendation with Dynamic Semantic ID [8.32878203748523]
  本稿では,SSRLive: Dynamic Semantic ID-guided Streaming Recommendation for Live platformを紹介する。 提案するフレームワークは、生成モジュールと識別モジュールを統一アーキテクチャに統合する。 識別コンポーネントは、SIDとユーザ特徴を組み合わせることでタスク固有の表現を洗練し、ユーザとストリームのインタラクションデータを強化し、マルチタスク予測を実行する。
  論文  参考訳（メタデータ） (2026-06-05T06:58:07Z)
• Action-Aware Generative Sequence Modeling for Short Video Recommendation [50.74467504063892]
  ショートビデオには様々な部分が含まれており、ユーザーはそれらすべてに対して同じ態度を取ることはできない。 従来のバイナリ分類レコメンデーションモデルは、ビデオを単一の全体的エンティティとして扱うが、そのような微妙な好みを正確に捉えるには限界に直面している。 本稿では,時間的次元に沿ってユーザアクションを洗練させる行動認識生成系列ネットワーク(A2Gen)を提案する。
  論文  参考訳（メタデータ） (2026-04-28T16:41:04Z)
• Modeling Long-term User Behaviors with Diffusion-driven Multi-interest Network for CTR Prediction [18.302602011055775]
  本稿では,DiffuMIN (Diffusion-driven Multi-Interest Network) を提案する。 オンラインA/BテストではDiffuMINが1.52%,CPMが1.10%増加した。
  論文  参考訳（メタデータ） (2025-08-21T07:10:01Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)

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。