論文の概要: Designing for the Next Click: Bandits for Real-Time Page Layout

• arxiv url: http://arxiv.org/abs/2608.29850v1
• Date: Sun, 30 Aug 2026 15:28:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.09063
• Title: Designing for the Next Click: Bandits for Real-Time Page Layout
• Title（参考訳）: 次のクリックのためにデザインする: リアルタイムページレイアウトのためのバンド
• Abstract要約: 製品ページレイアウトをリアルタイムで最適化する,スケーラブルな帯域幅ベースシステムを提案する。 コンテキストバンディットモデルは、ユーザ、アイテム、およびカテゴリレベルの機能を使用して、各セッションの最も効果的なレイアウトを動的に選択する。 このアーキテクチャは、大規模なWebサービススタックへのシームレスな統合のために設計されている。
• 参考スコア（独自算出の注目度）: 0.6742864446722399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: E-commerce platforms increasingly personalize user experiences through machine learning, yet page layout decisions remain dominated by static rules and manual curation. We present a scalable bandit-based system that optimizes product page layouts in real time while preserving human control over design intent. A contextual bandit model dynamically selects the most effective layout for each session using user, item, and category-level features. The system leverages a LinUCB-based policy to balance exploration and exploitation as it learns from live user interactions. The architecture is designed for seamless integration into large-scale web serving stacks, supporting low-latency inference and continuous model updates. The system was first tested on entry product pages. In online A/B deployments on a major retail platform, our approach achieved positive lifts in session-level performance metrics over a strong heuristic baseline. Our results demonstrate that contextual bandits can effectively optimize visual and structural aspects of product discovery for user engagement, providing a scalable path toward learning-to-design the web.
• Abstract（参考訳）: Eコマースプラットフォームは、マシンラーニングを通じてユーザエクスペリエンスをパーソナライズする傾向にあるが、ページレイアウトの決定は、静的ルールと手作業によるキュレーションによって支配されている。 本稿では,設計意図に対する人間の制御を維持しつつ,製品ページレイアウトをリアルタイムで最適化するスケーラブルなバンディットベースシステムを提案する。 コンテキストバンディットモデルは、ユーザ、アイテム、およびカテゴリレベルの機能を使用して、各セッションの最も効果的なレイアウトを動的に選択する。 このシステムはLinUCBベースのポリシーを利用して、ライブユーザインタラクションから学習する探索とエクスプロイトのバランスをとる。 このアーキテクチャは、大規模Webサービススタックへのシームレスな統合のために設計されており、低レイテンシ推論と継続的モデル更新をサポートする。 このシステムは最初、エントリー製品のページでテストされた。 大手小売プラットフォーム上でのオンラインA/Bデプロイメントでは、強いヒューリスティックなベースライン上でセッションレベルのパフォーマンス指標を肯定的に向上させました。 この結果から,ユーザエンゲージメントに対する製品発見の視覚的・構造的側面を効果的に最適化し,Webを学習して設計する上で,スケーラブルな経路を提供することができた。

関連論文リスト

• 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)
• CTR Prediction on Alibaba's Taobao Advertising Dataset Using Traditional and Deep Learning Models [14.51041016589099]
  Alibabaがリリースした大規模なTaobaoデータセットを使用して、クリックスルー率をより効果的にモデル化する方法を検討する。 ユーザの意図をモデル化するために、22日間にわたって、数億のインタラクションからの行動データを組み合わせました。 弊社の研究は、クリックスルー率の予測を推し進め、その価値をeコマースを超えて拡張するためのロードマップを提供する。
  論文  参考訳（メタデータ） (2025-11-26T22:51:02Z)
• WebRenderBench: Enhancing Web Interface Generation through Layout-Style Consistency and Reinforcement Learning [24.178675410636135]
  実世界のポータルサイトから収集した45.1kのWebページの大規模なベンチマークを示す。 また、最終レンダリングページからレイアウトとスタイルの整合性を測定する新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2025-10-05T08:47:39Z)
• Multimodal Foundation Model-Driven User Interest Modeling and Behavior Analysis on Short Video Platforms [4.393914222141582]
  本稿では,ユーザ関心モデリングと行動分析のためのマルチモーダル基礎モデルに基づくフレームワークを提案する。 本研究では、動的興味の進化をモデル化するために、視聴、好み、コメントのシーケンスを組み込んだ行動駆動型特徴埋め込み機構を導入する。 その結果, 行動予測精度, 冷間開始ユーザの関心モデリング, クリックスルー率の大幅な改善が示された。
  論文  参考訳（メタデータ） (2025-09-05T02:05:10Z)
• GUI-ReRank: Enhancing GUI Retrieval with Multi-Modal LLM-based Reranking [55.762798168494726]
  GUI-ReRankは、高速な埋め込みに基づく制約付き検索モデルと、非常に効果的なMLLMベースのリグレード技術を統合する新しいフレームワークである。 提案手法を確立されたNLベースのGUI検索ベンチマークで評価した。
  論文  参考訳（メタデータ） (2025-08-05T10:17:38Z)
• MobileGUI-RL: Advancing Mobile GUI Agent through Reinforcement Learning in Online Environment [63.62778707277929]
  MobileGUI-RLは、オンライン環境でGUIエージェントをトレーニングするスケーラブルなフレームワークである。 自己探索とフィルタリングを通じて学習可能なタスクのカリキュラムを合成する。 GRPOをGUIナビゲーションに適応させ、軌道認識の利点と複合報酬を付与する。
  論文  参考訳（メタデータ） (2025-07-08T07:07:53Z)
• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• LayoutDETR: Detection Transformer Is a Good Multimodal Layout Designer [80.61492265221817]
  グラフィックレイアウトデザインは視覚コミュニケーションにおいて重要な役割を担っている。 しかし、手作りのレイアウトデザインは、スキルを要求し、時間がかかり、バッチプロダクションではスケールできない。 ジェネレーティブモデルは、設計自動化をスケーラブルにするために出現するが、デザイナの欲求に沿うデザインを作成することは、未だに容易ではない。
  論文  参考訳（メタデータ） (2022-12-19T21:57:35Z)
• 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)
• Interactive Search Based on Deep Reinforcement Learning [4.353144350714567]
  このプロジェクトは主にオフライントレーニングのための仮想ユーザ環境を確立する。 同時に,2クラスタリングに基づく強化学習アルゴリズムを改良して,推奨エージェントの行動空間と推奨経路空間を拡張することを試みた。
  論文  参考訳（メタデータ） (2020-12-09T15:23:53Z)
• A Real-Time Whole Page Personalization Framework for E-Commerce [13.254747746069139]
  eコマースプラットフォームは、ホームページに複数のカルーセルを含んでいる。 カルーセル内のアイテムは、シーケンシャルユーザーアクションに基づいて動的に変更されます。 ウォルマートオンライン食料品のホームページで、アイテムカルーセルをリアルタイムで最適にランク付けするためのスケーラブルなエンドツーエンド生産システムを紹介します。
  論文  参考訳（メタデータ） (2020-12-08T19:08:41Z)

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。