論文の概要: STAR: Structured Tokenization and Target-Aware Interest Representation for PCVR Prediction
- arxiv url: http://arxiv.org/abs/2608.12986v3
- Date: Tue, 18 Aug 2026 13:38:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 13:45:32.822239
- Title: STAR: Structured Tokenization and Target-Aware Interest Representation for PCVR Prediction
- Title（参考訳）: STAR:PCVR予測のための構造化トークン化とターゲット認識関心表現
- Authors: Yimeng Xu, Ruihao Zhang, Yingqi Song, Ying Jiang, Lan Ma,
- Abstract要約: 我々は,KDDカップ2026 Tencent UniRec Challengeの枠組みであるSTAR(Structured Tokenization and Target-Aware Interest Representation)を紹介する。
STARはHyFormerスタイルのマルチシーケンスバックボーン上に、構造化された特徴トークン化とターゲット認識された関心表現を組み合わせる。
課題データセットの実験では、ランキングAUCを最も確実に改善するコンポーネントを特定し、LogLossは校正診断として報告されている。
- 参考スコア（独自算出の注目度）: 7.574291100593417
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Post-click conversion rate (PCVR) prediction is a core ranking task in industrial recommender systems. Modern ranking models must jointly capture heterogeneous non-sequential features, multi-behavior user sequences, and target-item-aware user interests, while remaining robust to high-cardinality sparse features, missing values, and train-inference inconsistencies. In this paper, we present STAR (Structured Tokenization and Target-Aware Interest Representation), a practical framework for the KDD Cup 2026 Tencent UniRec Challenge. STAR combines structured feature tokenization with target-aware interest representation on top of a HyFormer-style multi-sequence backbone. It introduces high-cardinality signal recovery, explicit user-item interaction tokens, target-aware sequence decoding, and a weighted user-item contrastive auxiliary objective inspired by InfoNCE. We further align the training and inference pipelines by reconstructing feature remapping tables and structural hyperparameters from the saved training configuration. Experiments on the challenge dataset identify the components that most reliably improve ranking AUC, while LogLoss is reported as a calibration diagnostic. The main ablation study shows a large gain from temporal context, with smaller but useful contributions from contrastive alignment, target-aware interest encoding, and high-cardinality sequence feature recovery.
- Abstract（参考訳）: クリック後変換率(PCVR)予測は、産業推薦システムにおける中核的なランキングタスクである。
現代のランキングモデルは、不均一な非シークエンシャルな特徴、マルチビヘイビアなユーザシークエンス、ターゲットを意識したユーザシークエンスを共同でキャプチャする必要がある。
本稿では,KDDカップ2026 Tencent UniRec Challengeの実践的枠組みであるSTAR(Structured Tokenization and Target-Aware Interest Representation)を提案する。
STARはHyFormerスタイルのマルチシーケンスバックボーン上に、構造化された特徴トークン化とターゲット認識された関心表現を組み合わせる。
心電図信号の回復、明示的なユーザ・イテム相互作用トークン、ターゲット・アウェアなシーケンスデコーディング、InfoNCEにインスパイアされた重み付けされたユーザ・イデム補助目的を導入する。
保存したトレーニング設定から特徴リマッピングテーブルと構造ハイパーパラメータを再構成することで、トレーニングパイプラインと推論パイプラインをさらに整合させる。
課題データセットの実験では、ランキングAUCを最も確実に改善するコンポーネントを特定し、LogLossは校正診断として報告されている。
主アブレーション研究は、コントラストアライメント、ターゲット・アウェア・インテンション・エンコーディング、高心拍数特徴回復など、時間的文脈から大きな利益を得ている。
関連論文リスト
- SITA: Semantic Interest Tokens for Target-Aware Compression in Long-Sequence Recommendation [69.02976266748193]
提案するTextbfSITAは,長期的推薦のための圧縮フレームワークである。
SITAは、対象固有のユーザ表現を構築するために、対応する構造化された関心を適応的に集約する。
公開データセットと大規模産業データセットの実験は、SITAが代表的ベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-08-04T13:59:44Z) - 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) - RoleMix: Unifying Sequential and Non-Sequential Features via Semantic Tokenization for Post-Click Conversion Rate Prediction [1.6050320174037502]
RoleMixは、共有されたロール保存トークンインターフェースを通じて、シーケンシャルかつ非シーケンシャルなエビデンスを表す。
大規模なKDDカップ2026 Tencent UniRec Challengeでは、RoleMixは83.648%のオンラインAUCを達成し、公式産業ベースラインを1.953%上回っている。
論文 参考訳（メタデータ） (2026-07-18T15:44:48Z) - Beyond the Flat Sequence: Hierarchical and Preference-Aware Generative Recommendations [35.58864660038236]
我々はHPGR(Hierarchical and Preference-aware Generative Recommender)という新しいフレームワークを提案する。
まず、構造化を意識した事前学習段階において、セッションベースのMasked Item Modelingの目的を用いて、階層的にインフォームドされ、セマンティックにリッチなアイテム表現空間を学ぶ。
第二に、プライオリティ対応の微調整ステージは、これらの強力な表現を活用して、Preference-Guided Sparse Attentionメカニズムを実装する。
論文 参考訳（メタデータ） (2026-03-01T08:15:34Z) - "Principal Components" Enable A New Language of Images [79.45806370905775]
証明可能なPCAのような構造を潜在トークン空間に組み込む新しい視覚トークン化フレームワークを導入する。
提案手法は、最先端の再構築性能を実現し、人間の視覚システムとの整合性を向上する。
論文 参考訳（メタデータ） (2025-03-11T17:59:41Z) - Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。
埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。
本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
論文 参考訳（メタデータ） (2024-10-03T15:45:15Z) - Deep Common Feature Mining for Efficient Video Semantic Segmentation [25.851900402539467]
ビデオセマンティックセグメンテーションのためのDeep Common Feature Mining(DCFM)を提案する。
DCFMは、機能を2つの補完的なコンポーネントに明示的に分解する。
自己教師付き損失関数を組み込んで,クラス内特徴の類似性を強化し,時間的整合性を高める。
論文 参考訳（メタデータ） (2024-03-05T06:17:59Z) - 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) - A Self-Supervised Gait Encoding Approach with Locality-Awareness for 3D
Skeleton Based Person Re-Identification [65.18004601366066]
3Dスケルトン配列内の歩行特徴による人物再識別(Re-ID)は、いくつかの利点を持つ新しい話題である。
本稿では、ラベルのない骨格データを利用して人物の歩行表現を学習できる自己教師付き歩行符号化手法を提案する。
論文 参考訳（メタデータ） (2020-09-05T16:06:04Z)
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。