論文の概要: From Gradient-Boosted Trees to Deep Recommenders: Practical Lessons from Migrating a Production Customer Support Recommender

• arxiv url: http://arxiv.org/abs/2608.24132v1
• Date: Tue, 25 Aug 2026 06:50:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.84925
• Title: From Gradient-Boosted Trees to Deep Recommenders: Practical Lessons from Migrating a Production Customer Support Recommender
• Title（参考訳）: グラディエントブーストツリーからディープレコメンダ:プロダクションユーザサポートレコメンダへの移行から実践的な教訓
• Abstract要約: 本稿では,多クラスモデルからペアワイズ・バイナリ・ディープ・レコメンデータへ,実運用の対話型レコメンデーションシステムの移行について述べる。 この移行を成功させたテクニックを詳述する。ユーザとアイテムの機能から共同で学習するための、ペアワイズなバイナリ予測として、レコメンデーションを変換する。
• 参考スコア（独自算出の注目度）: 0.8267263798924355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Product catalogs in fast-moving service businesses are shifting from static, independently priced SKUs toward dynamically bundled, discount-coupled offerings--a shift that strains the tree-based classifiers traditionally preferred for sparse and highly imbalanced data. These classifiers assume a fixed, slowly changing label space and struggle to incorporate multimodal signals such as tabular data and transcripts. We present the migration of a live, production conversational recommendation system from a gradient-boosted multiclass model to a pairwise-binary deep recommender. Because this system is critical to ecosystem growth initiatives and downstream features like dynamic pitching--surfacing the most relevant pitch text to a support agent in real time during a live customer conversation--maintaining live recommendation quality was a non-negotiable constraint. We detail the techniques that made this migration successful--reformulating recommendation as pairwise binary prediction to learn jointly from user and item features, and enhancing learned representations via negative sampling and noise injection. To efficiently incorporate long, live conversation context, we apply attention pooling over transcript chunks and benchmark it against TF-IDF and sentence-embedding baselines. Finally, we explore multiple architectures (including two-tower models, DeepFM, and their variants) and loss functions such as contrastive loss. Evaluating against a CatBoost baseline across all conversational stages, we demonstrate that our approach achieves parity at conversation beginning and outperforms at later conversational stages.
• Abstract（参考訳）: ファストムーブメントサービスビジネスの製品カタログは、静的で独立した価格のSKUから、動的に束ねられたディスカウント結合商品へとシフトしている。 これらの分類器は、固定された、ゆっくりと変化するラベル空間を仮定し、表データや文字起こしなどのマルチモーダル信号を組み込むのに苦労する。 本稿では,多クラスモデルからペアワイズ・バイナリ・ディープ・レコメンデータへ,実運用の対話型レコメンデーションシステムの移行について述べる。 このシステムは、エコシステムの成長イニシアチブや、ダイナミックピッチングのような下流機能に欠かせないので、リアルタイムの顧客会話において、サポートエージェントに最も関連性の高いピッチテキストをリアルタイムで提示することで、ライブレコメンデーションの品質を維持することは、交渉不可能な制約であった。 本稿では,この移行を成功させた技術について詳述する。ユーザとアイテムの特徴から共同で学習し,ネガティブサンプリングとノイズインジェクションによる学習表現を向上させるために,ペアワイズバイナリ予測として推奨を変換する手法について述べる。 長文の会話コンテキストを効率よく組み込むために,テキストチャンクにアテンションプーリングを適用し,TF-IDFと文埋め込みベースラインとをベンチマークする。 最後に、複数のアーキテクチャ(2towerモデル、DeepFM、およびそれらの変種を含む)と、対照的な損失などの損失関数について検討する。 会話の全ての段階におけるCatBoostベースラインに対する評価を行い,会話開始時のパリティが,その後の会話の段階で優れていたことを実証した。

関連論文リスト

• End-to-End Personalization: Unifying Recommender Systems with Large Language Models [0.0]
  グラフ注意ネットワーク(GAT)と大言語モデル(LLM)を組み合わせた新しいハイブリッドレコメンデーションフレームワークを提案する。 LLMは、タイトル、ジャンル、概要などのメタデータに基づいて意味的に意味のあるプロファイルを生成することによって、ユーザーとアイテムの表現を豊かにするために最初に使用される。 MovieLens 100kと1Mを含むベンチマークデータセットでモデルを評価し、強いベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-08-02T22:46:50Z)
• Beyond Single Labels: Improving Conversational Recommendation through LLM-Powered Data Augmentation [18.01518720663732]
  会話レコメンデータシステム(CRS)は,マルチターン対話でユーザを惹きつけることによって,推薦品質を高める。 CRSは誤ったネガティブな問題に直面することが多く、トレーニング中にユーザーが好むアイテムが誤ってネガティブにラベル付けされているため、準最適リコメンデーションに繋がる。 本稿では,LLMに基づくセマンティックレトリバーを利用して,多種多様な意味的関連項目を識別する新しいデータ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-30T08:20:54Z)
• LoopServe: An Adaptive Dual-phase LLM Inference Acceleration System for Multi-Turn Dialogues [59.12542274007847]
  LoopServeは、多ターン対話における大規模言語モデルのための適応的な二相推論フレームワークである。 LoopServeは、既存のベースラインに比べて一貫して優れた効率を実現している。
  論文  参考訳（メタデータ） (2025-07-18T06:12:08Z)
• How Does Topology Bias Distort Message Passing? A Dirichlet Energy Perspective [21.257609475244223]
  グラフベースのレコメンデータシステムは,人気バイアスによって損なわれていることを示す。 このバイアスは人気のある項目を過剰に表現し、ユーザのフィードバックループを通じてバイアスと公平性の問題を強化します。 本稿では,メッセージパッシングを高次simplicialコンプレックスに拡張するテスト時単純伝搬を提案する。
  論文  参考訳（メタデータ） (2024-11-21T07:12:47Z)
• Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
  動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。 より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。 提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
  論文  参考訳（メタデータ） (2024-09-14T01:45:04Z)
• ELCoRec: Enhance Language Understanding with Co-Propagation of Numerical and Categorical Features for Recommendation [38.64175351885443]
  大規模言語モデルは自然言語処理(NLP)領域で栄えている。 レコメンデーション指向の微調整モデルによって示された知性にもかかわらず、LLMはユーザーの行動パターンを完全に理解するのに苦労している。 既存の作業は、その重要な情報を導入することなく、与えられたテキストデータに対してのみLLMを微調整するだけである。
  論文  参考訳（メタデータ） (2024-06-27T01:37:57Z)
• 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)
• Interactive Test-Time Adaptation with Reliable Spatial-Temporal Voxels for Multi-Modal Segmentation [56.70910056845503]
  マルチモーダルテストタイム適応(MM-TTA)は、補完的なマルチモーダル入力をオンライン形式で活用することにより、ラベルのないターゲットドメインにモデルを適応させる。 従来のMM-TTA法は, 時間的不整合によるフレームワイドの不安定な予測と, 信頼度誘導の仮定に反する不正確な予測の2つの大きな限界に悩まされていた。 Latte++は、より情報的な幾何学的対応によって不安定なフレーム単位の予測をより抑制し、対話型テスト時間適応(ITTA)は、努力を伴わない人間のフィードバックを促進するフレキシブルなアドオンである。
  論文  参考訳（メタデータ） (2024-03-11T06:56:08Z)
• TA&AT: Enhancing Task-Oriented Dialog with Turn-Level Auxiliary Tasks and Action-Tree Based Scheduled Sampling [16.77137239284608]
  タスク指向対話システムは,対話型事前学習技術によって大きく進歩している。 エンコーダのターンレベルマルチタスク目的を提案する。 デコーダに対しては,アクションツリーに基づくスケジュールサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2024-01-28T11:02:23Z)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。