論文の概要: OneModel: A Unified Foundation for Platform-Scale Multi-Scenario Ranking
- arxiv url: http://arxiv.org/abs/2608.18606v2
- Date: Thu, 20 Aug 2026 02:58:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 14:00:35.541707
- Title: OneModel: A Unified Foundation for Platform-Scale Multi-Scenario Ranking
- Title（参考訳）: OneModel: プラットフォーム規模のマルチシナリオランキングのための統一財団
- Abstract要約: マルチストリームファイナルランキングのための統合フレームワークである textbfOneModel を提案する。
OneModelは異種な振る舞いを共有イベントシーケンスにマッピングし、アクション指向のバックボーンで長いコンテキストのユーザ表現を学習する。
私たちはemphXiaohongshuで本番環境にOneModelをデプロイし、強力なベースラインに対して一貫したオフラインゲインを提供します。
- 参考スコア（独自算出の注目度）: 11.905656321952394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Platform-scale recommender systems often span multiple business streams such as organic recommendation, advertising, and merchant services, where user behaviors form a continuous cross-stream trajectory. Maintaining separate ranking systems fragments user representations and increases engineering cost. We propose \textbf{OneModel}, a unified framework for multi-stream final ranking. OneModel maps heterogeneous behaviors into shared event sequences, learns long-context user representations with an action-oriented backbone, and introduces \emph{Scenario-aware Information Modulation} to balance cross-stream transfer and stream-specific specialization. For production deployment, OneModel further adopts stratified user representation, multi-objective training, and optimized online serving with feature decomposition, user feature prefetching, shared user-tower computation, and graph-level inference optimization. We deploy OneModel in production at \emph{Xiaohongshu}, where it delivers consistent offline gains over strong baselines and scales favorably with context length and model capacity. Online A/B tests improve Time Spent by \textbf{+0.33\%} and Engagement by \textbf{+1.25\%} in Explore Feed, lift advertising value by \textbf{+3.43\%} and CTR by \textbf{+8.18\%} in Feed Advertising, and raise DGMV by \textbf{+1.1867\%} and GPM by \textbf{+2.1585\%} in Merchant Recommendation, validating unified multi-stream ranking as an effective production foundation.
- Abstract（参考訳）: プラットフォームスケールのレコメンデータシステムは、しばしば、オーガニックレコメンデーション、広告、商業サービスなどの複数のビジネスストリームにまたがる。
個別のランキングシステムを維持することは、ユーザの表現を断片化し、エンジニアリングコストを増大させる。
マルチストリームファイナルランキングのための統合フレームワークである \textbf{OneModel} を提案する。
OneModelは異種な振る舞いを共有イベントシーケンスにマッピングし、アクション指向のバックボーンで長いコンテキストのユーザ表現を学び、ストリーム間の転送とストリーム固有の特殊化のバランスをとるためにemph{Scenario-aware Information Modulation}を導入する。
運用デプロイメントのために、OneModelはさらに、階層化されたユーザ表現、多目的トレーニング、オンラインサービスに最適化された機能分解、ユーザ機能プリフェッチ、共有ユーザ-トウワー計算、グラフレベルの推論最適化を採用しています。
OneModelは、強いベースラインよりも一貫したオフラインゲインを提供し、コンテキストの長さとモデルキャパシティに好適にスケールします。
オンラインA/Bテストは、Explore Feed における \textbf{+1.25\%} によるエンゲージメント、Feed Advertising における \textbf{+3.43\%} と CTR による広告値の上げ、Mechant Recommendation における \textbf{+1.1867\%} による DGMV と GPM による DGMV の上昇、Merchant Recommendation における textbf{+2.1585\%} による統一マルチストリームランキングの有効生産基盤としての有効性を検証する。
関連論文リスト
- SlimPer: Make Personalization Model Slim and Smart [20.68857468213109]
SlimPer は,コンパクトで統一されたユーザ,項目> 知識基盤の反復的改良としてパーソナライズされたランキングを再構築する。
SlimPerは単一のバックボーン内でスパース、シークエンス、シークエンス機能を統一し、アテンションメカニズムを通じて固有の解釈性を提供する。
論文 参考訳（メタデータ） (2026-07-14T02:31:32Z) - UniPinRec: Unifying Generative Retrieval and Ranking at Pinterest Scale [13.323495829411577]
Pinterestにおける検索とランキングのフルスタック統合を実現するUniPinRecを提案する。
UniPinRecは、約1%のオンラインエンゲージメントリフトを提供し、エンドツーエンドのサービスレイテンシを11.1%削減し、QPSを63.6%引き上げている。
論文 参考訳（メタデータ） (2026-05-29T23:17:34Z) - 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) - Federated Prompt-Tuning with Heterogeneous and Incomplete Multimodal Client Data [22.933465523798475]
本稿では,フェデレートラーニングとマルチモーダル・プロンプトチューニングのギャップを埋める。
この設定における重要な課題は、プロンプトインストラクション間のセマンティックアライメントの欠如から生じる。
我々のフレームワークは、プロンプトチューニング命令を同時に最適化し、調整し、集約する特別なクライアントチューニングとサーバアグリゲーションの設計を導入している。
論文 参考訳（メタデータ） (2026-02-06T03:53:35Z) - 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) - Cross-Scenario Unified Modeling of User Interests at Billion Scale [31.293456834853853]
本稿では,産業レベルのコンテンツレコメンデーションシステムに適した,多種多様なシナリオのための高度なレコメンダエンジンであるRED-Recを提案する。
Red-Recは、複数の振る舞いコンテキストにまたがるユーザ関心の表現を統一し、包括的なアイテムとユーザモデリングをもたらす。
RED-RecのオンラインA/Bテストは、RedNoteの数億人のユーザを対象に、オンラインA/Bテストを通じて検証し、コンテンツレコメンデーションと広告ターゲティングタスクの両方において、大幅なパフォーマンス向上を示した。
論文 参考訳（メタデータ） (2025-10-16T15:20:49Z) - Cooperative Pseudo Labeling for Unsupervised Federated Classification [62.9387841396335]
Unsupervised Federated Learning (UFL)は、データを共有したりラベル情報にアクセスしたりすることなく、分散クライアント間でグローバルモデルを協調的にトレーニングすることを目的としている。
我々は、新しい方法、 underlinetextbfFederated underlinetextbfCooperative underlinetextbfPseudo underlinetextbfLabeling (textbfFedCoPL)を提案する。
特に、一般的な画像特徴を含む視覚的プロンプトをサーバに集約し、パーソナライズされた知識をコードするテキストプロンプトをローカルに保持する。
論文 参考訳（メタデータ） (2025-10-11T08:18:26Z) - Visual Prompt Based Personalized Federated Learning [83.04104655903846]
pFedPTと呼ばれる画像分類タスクのための新しいPFLフレームワークを提案し、クライアントのローカルデータ配信情報を暗黙的に表現するためにパーソナライズされた視覚的プロンプトを利用する。
CIFAR10とCIFAR100データセットの実験では、pFedPTは様々な設定でいくつかの最先端(SOTA)PFLアルゴリズムより優れていた。
論文 参考訳（メタデータ） (2023-03-15T15:02:15Z) - Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。
本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2020-05-07T13:48:26Z)
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。