論文の概要: Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation

• arxiv url: http://arxiv.org/abs/2608.22973v1
• Date: Mon, 24 Aug 2026 08:33:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.99436
• Title: Cascading Relevance-driven Recommendation Network for CTR Prediction in Trigger-Introduced Recommendation
• Title（参考訳）: トリガー導入レコメンデーションにおけるCTR予測のためのカスケード関連性駆動レコメンデーションネットワーク
• Abstract要約: 電子商取引は、人々の日々の消費とショッピングの利益にとって重要なプラットフォームとして現れてきた。 Trigger-Introduced Recommendation (TIR)と呼ばれる新しいレコメンデーションシナリオがある。 本稿では、トリガとターゲットの相互作用と関連性を強調するために、カスケーディング関連性駆動レコメンデーションネットワーク(CRRN)を提案する。
• 参考スコア（独自算出の注目度）: 7.455067639822993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: E-commerce has emerged as crucial platforms for people's daily consumption and shopping interests. There is a new recommendation scenario, Trigger-Introduced Recommendation (TIR), where users click interested product, which is defined as the trigger item, containing their instant interest, and in the undertaking page following the relevant target items. Distinguished from traditional search and recommendation scenarios, trigger contains relatively strong instant interest, which is more vague and implicit compared to search terms. Relying on large amounts of labeled data, existing methods lack the exploration of trigger relevance, which affects users' immersive experience. To alleviate this problem, we propose the Cascading Relevance-driven Recommendation Network (CRRN) to emphasize the interaction and relevance between trigger and target, comprising three essential components: 1) the Trigger-Target Interaction layer extracts interaction features of trigger and target based on personalized gating. 2) Cascading Interest Fusion module explicitly estimates users' trigger intention and fuses instant and personalized interests adaptively with cascading attention blocks. 3) Category-assisted Pairwise Loss enhances trigger relevance with the guidance of category association between trigger and target. Extensive experiment results show that CRRN outperforms recent state-of-the-art methods on both industrial and public datasets. Online A/B tests further validate the effectiveness of our method. Our code is available at https://github.com/a-little-cabbage/CRRN.
• Abstract（参考訳）: 電子商取引は、人々の日々の消費とショッピングの利益にとって重要なプラットフォームとして現れてきた。 Trigger-Introduced Recommendation (TIR)と呼ばれる新しいレコメンデーションシナリオでは、ユーザが興味のある製品をクリックし、トリガーアイテムとして定義され、その即時的な関心事を含む。 従来の検索とレコメンデーションのシナリオとは違って、トリガーには比較的強い瞬間的関心があり、検索語に比べて曖昧で暗黙的だ。 大量のラベル付きデータに基づいて、既存の手法では、ユーザの没入感に影響を及ぼすトリガー関連性の探索が欠如している。 この問題を軽減するために,3つの重要な構成要素からなるトリガとターゲットの相互作用と関連性を強調する,カスケーディング関連性駆動型レコメンデーションネットワーク(CRRN)を提案する。 1) トリガー・ターゲット相互作用層は, パーソナライズされたゲーティングに基づいてトリガーとターゲットの相互作用特徴を抽出する。 2)カスケーディング興味融合モジュールは,ユーザのトリガー意図を明示的に推定し,カスケーディング注意ブロックと適応的に即時かつパーソナライズされた関心を融合する。 3) カテゴリー支援型Pairwise Lossは, トリガーとターゲットのカテゴリー関係のガイダンスによりトリガー関連性を高める。 大規模な実験結果から、CRRNは産業と公共の両方のデータセットにおいて、最近の最先端の手法よりも優れています。 オンラインA/Bテストは,本手法の有効性をさらに検証する。 私たちのコードはhttps://github.com/a-little-cabbage/CRRNで利用可能です。

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)
• DAIAN: Deep Adaptive Intent-Aware Network for CTR Prediction in Trigger-Induced Recommendation [4.238740556635707]
  本稿では,ユーザの意図的嗜好に動的に適応するDeep Adaptive Intent-Aware Network (DAIAN)を提案する。 まず、ユーザのクリックとトリガー項目の相関関係を分析し、ユーザのパーソナライズされた意図表現を抽出する。 次に、ユーザの関連する過去の振る舞いを検索して、ユーザの多様な意図をマイニングする。
  論文  参考訳（メタデータ） (2026-02-15T03:10:36Z)
• GenCI: Generative Modeling of User Interest Shift via Cohort-based Intent Learning for CTR Prediction [84.0125708499372]
  本稿では,クリックスルー率(CTR)予測のためのユーザ嗜好をモデル化するための生成ユーザ意図フレームワークを提案する。 このフレームワークはまず、次の項目の予測目標で訓練された生成モデルを使用して、候補の関心コホートを積極的に生成する。 階層的候補認識ネットワークは、このリッチなコンテキスト信号をランキングステージに注入し、ユーザ履歴とターゲットアイテムの両方に適合するように、クロスアテンションで精製する。
  論文  参考訳（メタデータ） (2026-01-26T08:15:04Z)
• Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
  関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。 まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。 次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
  論文  参考訳（メタデータ） (2025-04-08T15:22:08Z)
• PRECTR: A Synergistic Framework for Integrating Personalized Search Relevance Matching and CTR Prediction [3.753643743882433]
  検索レコメンデーションシステムにおける2つの主要なタスクは、検索関連性マッチングとクリックスルー率(CTR)予測である。 パーソナライズされた検索関連マッチングとCTR予測融合モデル(PRECTR)を提案する。 具体的には、CTR予測と検索関連性マッチングを1つのフレームワークに統合し、2つのモジュールの相互作用と一貫性を強化する。
  論文  参考訳（メタデータ） (2025-03-24T07:07:04Z)
• Iterative Utility Judgment Framework via LLMs Inspired by Relevance in Philosophy [66.95501113584541]
  ITEM(Iterative utiliTy judgm fraEntMework)を提案する。 RAGの3つの中核的構成要素は、検索モデル、ユーティリティ判断、回答生成から導かれる関連性ランキングであり、シューツの哲学的関連性体系と一致している。 実効性判定, ランキング, 回答生成におけるITEMの顕著な改善が, 代表ベースラインに基づいて示された。
  論文  参考訳（メタデータ） (2024-06-17T07:52:42Z)
• Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation [28.29435760797856]
  本稿では,TIRシナリオにおけるクリックスルーレート予測のための新しい手法であるDeep Evolutional Instant Interest Network (DEI2N)を提案する。 我々は,ユーザがスクロールダウンした場合の瞬間的関心の強度の動的変化を予測するために,ユーザインスタント・関心モデリング・レイヤを設計する。 オフラインおよび実世界の産業データセットを用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-15T15:27:24Z)
• Deep Intention-Aware Network for Click-Through Rate Prediction [9.00554150844311]
  エンターテイメントアイコンに表示されるトリガーアイテムは、より多くのエンターテイメントを引き付けることができる。 従来のClick-Through-Rate(CTR)予測モデルは、トリガーアイテムに対するユーザの即時関心を無視している。 Deep Intention-Aware Network (DIAN)は、ユーザの意図を正確に予測し、結果を動的にバランスさせる。
  論文  参考訳（メタデータ） (2022-11-16T03:55:18Z)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)
• Deep Interest Highlight Network for Click-Through Rate Prediction in Trigger-Induced Recommendation [15.490873353133363]
  本稿では,トリガー誘導レコメンデーション(TIR, Trigger-induced Recommendation)という新たなレコメンデーション問題を提案する。 そこで本研究では,クリックスルーレート(CTR)予測のための,DIHN(Deep Interest Highlight Network)と呼ばれる新しい推奨手法を提案する。 1)ユーザインテントネットワーク(UIN)、2)トリガーアイテムに対するユーザの意図を正確に予測するための正確な確率スコアを生成する、2)統合埋め込みモジュール(FEM)、そして、UINからの予測に基づいてトリガーアイテムとターゲットアイテムの埋め込みを適応的に融合する、3)。
  論文  参考訳（メタデータ） (2022-02-05T08:40:30Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)

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。