論文の概要: Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay

• arxiv url: http://arxiv.org/abs/2608.15780v1
• Date: Sun, 16 Aug 2026 15:00:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.421418
• Title: Decomposing Staleness in Recommender Systems: A Dual-Filter Framework for Supersession and Decay
• Title（参考訳）: Recommender システムの安定性を分解する - スーパーセッションとダウンベイのためのデュアルフィルタフレームワーク
• Authors: Di Bai, Feng Han, Zhenwei Tang, Jintao Liu, Luoshu Wang, Jialu Liu,
• Abstract要約: 静的レコメンデーションは、大規模なコンテンツプラットフォームにおけるユーザの不満の根本原因である。 SDF(Supersession-Decay Filtering)は,Google Discoverに完全デプロイされた安定化フィルタリングシステムである。
• 参考スコア（独自算出の注目度）: 15.76710430359813
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stale recommendations are a pervasive challenge and a leading source of user complaints on large-scale content platforms. Items lose relevance through two primary mechanisms: supersession, where emerging updates render prior coverage stale, and relevance decay, where an item's informational value naturally diminishes over its lifecycle. Traditional countermeasures serve as crude proxies: age cutoffs poorly reflect actual relevance loss, while engagement heuristics rely on lagging signals, broadly exposing users to stale content before the system adapts. We present SDF (Supersession-Decay Filtering), a staleness filtering system fully deployed in Google Discover, a personalized recommendation feed with hundreds of millions of daily and billions of monthly active users. SDF targets both mechanisms with complementary filters, each powered by a learned model: a relational staleness model that detects supersession between item pairs, and a predicted traffic ratio (PTR) model that forecasts relevance decay from the item's content, trained on lifetime visit traffic. Applied via disjunction upstream of the ranking stage, SDF prunes stale candidates, measurably reducing downstream serving costs. Online experiments demonstrate that these filters significantly reduce the prevalence of stale content while improving user engagement. Over a two-year production deployment, user-filed staleness reports (in-product user feedback) declined by 54.9% relative to the pre-deployment baseline, establishing SDF as a robust and scalable paradigm for resolving content staleness at industrial scale.
• Abstract（参考訳）: 静的レコメンデーションは、広範囲にわたる課題であり、大規模コンテンツプラットフォームにおけるユーザの不満の根本原因である。 アイテムは2つの主要なメカニズムによって関連を失います。 伝統的な対策は粗末なプロキシとして機能する: 年齢削減は実際の関連性喪失を反映しがたいが、エンゲージメントヒューリスティックは遅延信号に依存しており、システムが適応する前にユーザーがコンテンツを陳腐化させる。 SDF(Supersession-Decay Filtering)は、Google Discoverに完全にデプロイされた、数十億の月間アクティブユーザと数十億のパーソナライズされたレコメンデーションフィードである。 SDFは、アイテムペア間のスーパーセッションを検出するリレーショナル・ステールネスモデルと、アイテムのコンテンツから関連性減衰を予測する予測トラフィック比(PTR)モデルである。 SDF prunesは、ランキングステージの上流での断絶を通じて適用され、ダウンストリームのサービスコストを計測可能で削減する。 オンライン実験により、これらのフィルタは、ユーザのエンゲージメントを改善しながら、古いコンテンツの頻度を大幅に減少させることが示された。 2年間にわたる製品展開で、ユーザプロファイルの安定度レポート(製品内のユーザフィードバック)は、事前デプロイベースラインと比較して54.9%減少し、産業規模でコンテンツの安定度を解決するための堅牢でスケーラブルなパラダイムとしてSDFを確立した。

関連論文リスト

• Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
  Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。 探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。 有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
  論文  参考訳（メタデータ） (2026-05-22T11:37:22Z)
• RAG-Enhanced Large Language Models for Dynamic Content Expiration Prediction in Web Search [49.70446150612307]
  商用ウェブ検索では、情報の寿命が非常に多様であるため、コンテンツの鮮度とユーザ意図の整合性は依然として困難である。 伝統的な産業的アプローチは静的なタイムウインドウフィルタリングに依存しており、結果として、コンテンツが時系列的に最新のが意味論的に期限切れになる「ワンサイズフィット」ランキングが作られる。 本フレームワークは,文書から詳細な時間的コンテキストを抽出し,クエリ固有の「妥当性水平線」を導出する。
  論文  参考訳（メタデータ） (2026-05-13T06:20:28Z)
• GEMs: Breaking the Long-Sequence Barrier in Generative Recommendation with a Multi-Stream Decoder [54.64137490632567]
  本稿では,長期的履歴からユーザのシーケンスをキャプチャする新しい統一フレームワークを提案する。 GEM(Generative Multi-streamer)は、ユーザのシーケンスを3つのストリームに分割する。 大規模産業データセットに対する大規模な実験により、GEMは推奨精度において最先端の手法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） (2026-02-14T06:42:56Z)
• Save, Revisit, Retain: A Scalable Framework for Enhancing User Retention in Large-Scale Recommender Systems [1.4937608608681092]
  ユーザーが以前保存されたコンテンツを見るために戻るとき、ユーザーの保持の鍵となる指標は、再考である。 特定のユーザーアクションやコンテンツ露出がリビジットを引き起こすかは、しばしば不明である。 我々は、リビテーション行動のモデリングのための、新しく、軽量で、解釈可能なフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-11-22T10:27:20Z)
• DualGR: Generative Retrieval with Long and Short-Term Interests Modeling [23.123644321765607]
  Generative Retrieval (GR) は Embedding-based Retrieval (EBR) の代替として登場した。 ユーザ興味の2つの地平線を選択的アクティベーションで明示的にモデル化する生成検索フレームワークであるDualGRを提案する。 オンラインA/Bテストでは0.527%のビデオビューと+0.432%のウォッチタイムリフトがあり、DualGRは産業生成検索の実践的で効果的なパラダイムとして検証されている。
  論文  参考訳（メタデータ） (2025-11-16T09:20:54Z)
• SeCon-RAG: A Two-Stage Semantic Filtering and Conflict-Free Framework for Trustworthy RAG [35.42029959485188]
  Retrieval-augmented Generation (RAG) システムは、外部知識を持つ大規模言語モデルを強化する。 既存の防御は、しばしば攻撃的なフィルタリングを適用し、不要な貴重な情報が失われる。 信頼性の高いRAGのための2段階のセマンティックフィルタリングとコンフリクトフリーフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-10T03:44:29Z)
• Retentive Relevance: Capturing Long-Term User Value in Recommendation Systems [29.596401271139797]
  本稿では,新しいコンテンツレベル調査に基づくフィードバック尺度であるRetentive Relevanceを紹介する。 Retentive Relevanceは、ユーザーが同様のコンテンツのためにプラットフォームに戻る意図を直接評価する。 これらの結果から,Retentive Relevanceは,エンゲージメント信号および他の調査指標よりも,翌日のリテンションの予測に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-10-08T23:38:57Z)
• Improved Personalized Headline Generation via Denoising Fake Interests from Implicit Feedback [50.365038320507686]
  インシシットフィードバック(PHG-DIF)からフェイク関心を抽出するパーソナライズされた見出し生成フレームワークを提案する。 PHG-DIFは2段フィルタリングを用いて、短い居住時間と異常なクリックバーストによって識別されるクリックストリームノイズを効果的に除去する。 DT-PENSは、慎重にキュレートされた1,000人のユーザと、注釈付きパーソナライズされた1万近いパーソナライズされた見出しのクリック動作を含む、新しいベンチマークデータセットです。
  論文  参考訳（メタデータ） (2025-08-10T04:56:13Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)

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。