論文の概要: Sequential Multimodal Evidence Optimization for Product Media Ranking in E-Commerce

• arxiv url: http://arxiv.org/abs/2608.15662v1
• Date: Sun, 16 Aug 2026 10:11:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.379936
• Title: Sequential Multimodal Evidence Optimization for Product Media Ranking in E-Commerce
• Title（参考訳）: 電子商取引における製品メディアランキングの連続マルチモーダルエビデンス最適化
• Abstract要約: 顧客指向メディアシークエンシングのための2段階のユーティリティ誘導フレームワークを提案する。 SMEOは、消費されたメディアプレフィックスからトラジェクティブユーティリティモデルを学び、顧客が購入決定に達するのにどのように順序付けられた証拠が役立つかを推定する。 次に、最優先の意思決定関連情報を早期に優先する、サバイバル重み付き報酬対ゴーによる自己回帰的ランキングポリシーを訓練する。
• 参考スコア（独自算出の注目度）: 1.6460462104175428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: On modern e-commerce stores, customers consume ordered slates of heterogeneous product media, such as images, videos, and 3D renders, before making purchase decisions. Existing media-ranking systems often optimize myopic engagement proxies such as clicks or dwell time, even though product media assets are cooperative informational components of the same item that together help customers find the information they need through sequential interaction. We present Sequential Multimodal Evidence Optimization (SMEO), a two-stage utility-guided framework for customer-oriented media sequencing. SMEO first learns a trajectory utility model from consumed media prefixes to estimate how ordered evidence helps customers reach a purchase decision, while mitigating position-bias and variable-depth imbalance in logged data. Recognizing that customer attention is a limited resource, it then trains an autoregressive ranking policy with survival-weighted reward-to-go that prioritizes the most decision-relevant information early, so customers can find what they need with less effort. By decoupling utility learning from policy optimization, SMEO enables stable offline learning from biased logs and post-hoc media attribution without explicit media-level labels. Evaluated offline on large-scale e-commerce sessions using doubly robust off-policy estimation, SMEO improves estimated conversion by 5.5% and helps customers reach a purchase decision with 15% fewer swipes than existing baselines.
• Abstract（参考訳）: 現代のeコマースストアでは、顧客は購入決定を行う前に、画像、ビデオ、および3Dレンダリングなどの異種製品メディアの順序付きスレートを消費する。 既存のメディアグレードシステムは、商品メディア資産が同じアイテムの協調的な情報コンポーネントであり、顧客がシーケンシャルな相互作用を通じて必要な情報を見つけるのに役立つにもかかわらず、クリックやドウェルタイムのような筋電図エンゲージメントプロキシを最適化することが多い。 本稿では、顧客指向メディアシークエンシングのための2段階のユーティリティ誘導フレームワークであるシークエンシャル・マルチモーダル・エビデンス・最適化(SMEO)を提案する。 SMEOは、まず、消費されたメディアプレフィックスからトラジェクティブユーティリティモデルを学習し、ログデータにおける位置バイアスと可変深度不均衡を緩和しながら、顧客が購入決定に達するための順序付きエビデンスを見積もる。 顧客の注意が限られたリソースであることを認識して、サバイバル重み付けされた報酬対ゴーで自己回帰的ランキングポリシーをトレーニングし、意思決定関連情報を早期に優先順位付けすることで、より少ない労力で必要なものを見つけることができる。 政策最適化からユーティリティ学習を分離することにより、SMEOは、明示的なメディアレベルラベルなしでバイアスログとポストホックメディア属性から安定したオフライン学習を可能にする。 SMEOは2倍の堅牢なオフ政治推定を用いて大規模なeコマースセッションをオフラインで評価し、見積変換を5.5%改善し、顧客が既存のベースラインよりも15%少ないスワイプで購入決定に達するのを助ける。

関連論文リスト

• Breaking User-Centric Agency: A Tri-Party Framework for Agent-Based Recommendation [59.362016745945375]
  第1回LLM-Adnt Recommendation framework(TriRec)を提案する。 TriRecは、ユーザユーティリティ、アイテム露出、プラットフォームレベルの公正性を明示的に調整する。 精度、公平性、およびアイテムレベルのユーティリティにおいて、一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-03-11T11:40:13Z)
• OneMall: One Architecture, More Scenarios -- End-to-End Generative Recommender Family at Kuaishou E-Commerce [68.7552227901176]
  OneMallは、Kuaishouのeコマースサービスに適したエンドツーエンドのジェネレーティブレコメンデーションフレームワークである。 製品カード、ショートビデオ、ライブストリーミングなど、eコマースの複数のアイテム配信シナリオを統合する。 OneMallはすでにデプロイされており、Kuaishouでは毎日4億人のアクティブユーザーが利用している。
  論文  参考訳（メタデータ） (2026-01-29T14:22:39Z)
• SaviorRec: Semantic-Behavior Alignment for Cold-Start Recommendation [14.449201436664692]
  コールドスタート勧告フレームワークのためのセマンティックビヘイビアアライメントを提案する。 まず、ドメイン固有の知識を活用して、意味表現を生成するためにマルチモーダルエンコーダを訓練する。 第二に、残差量子化セマンティックIDを用いて、マルチモーダル表現とランキングモデルの間のギャップを動的にブリッジする。
  論文  参考訳（メタデータ） (2025-08-02T14:09:21Z)
• Research on E-Commerce Long-Tail Product Recommendation Mechanism Based on Large-Scale Language Models [7.792622257477251]
  大規模言語モデル(LLM)を用いた製品記述とユーザ行動シーケンスを統合した,新しいロングテール製品レコメンデーション機構を提案する。 我々の研究は、今後のeコマースレコメンデーションシステムにおいて、製品コンテンツとユーザ意図を解釈するLLMの可能性を強調します。
  論文  参考訳（メタデータ） (2025-05-31T19:17:48Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• Learning Multi-Agent Intention-Aware Communication for Optimal Multi-Order Execution in Finance [96.73189436721465]
  まず,現実的な制約を考慮したマルチオーダー実行のためのマルチエージェントRL(MARL)手法を提案する。 本稿では,学習可能なマルチラウンド通信プロトコルを提案する。 2つの実世界の市場のデータに関する実験では、優れたパフォーマンスを示し、コラボレーションの有効性が著しく向上した。
  論文  参考訳（メタデータ） (2023-07-06T16:45:40Z)
• A Hybrid Statistical-Machine Learning Approach for Analysing Online Customer Behavior: An Empirical Study [2.126171264016785]
  我々は、中国最大のオンライン小売店であるJDにおいて、特定の商品カテゴリーに対する454,897人のオンライン顧客行動を分析するハイブリッド解釈モデルを開発した。 以上の結果から,顧客の製品選択が約束される納期に無関心であることが分かるが,この要因は顧客の注文量に大きな影響を及ぼす。 特定のディスカウントアプローチがより効果的である製品クラスを特定し、異なるディスカウントツールの使用を改善するためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2022-12-01T19:37:29Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)
• Deep Learning-based Online Alternative Product Recommendations at Scale [0.2278231643598956]
  テキスト製品情報(例)の両方を使用します。 製品タイトルと説明)と代替製品を推奨する顧客の行動データ。 その結果, オフライン評価やリコール, 精度の面では, 代替製品のカバレッジが大幅に向上した。
  論文  参考訳（メタデータ） (2021-04-15T16:27:45Z)
• Personalized Embedding-based e-Commerce Recommendations at eBay [3.1236273633321416]
  電子商取引市場において,同じベクトル空間にアイテムやユーザを埋め込むことで,パーソナライズされたアイテムレコメンデーションを生成するアプローチを提案する。 データアブレーションは、生産システムの堅牢性を改善するために、オフラインモデルのトレーニングプロセスに組み込まれます。
  論文  参考訳（メタデータ） (2021-02-11T17:58:51Z)

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。