論文の概要: SetMIR: Multi-Interest Retrieval as Set Prediction
- arxiv url: http://arxiv.org/abs/2608.30251v1
- Date: Mon, 31 Aug 2026 05:02:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.23835
- Title: SetMIR: Multi-Interest Retrieval as Set Prediction
- Title（参考訳）: SetMIR: 集合予測としての多目的検索
- Abstract要約: 本稿では,多目的検索を集合予測問題として扱うSetMIRを提案する。
SetMIRは、ユーザの行動履歴をトランスフォーマーでエンコードし、学習可能なクエリを使って、ユーザの関心事の集合をデコードする。
SnapのDynamic Product Ads(DPA)データでは、SetMIRは、各メトリックで学習した4つのマルチ関心レトリバーを上回っている。
- 参考スコア（独自算出の注目度）: 39.3332626215578
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Embedding-based retrieval is at the core of industrial recommender systems, but a single user embedding is often too limited to capture a user's diverse interests. Multi-interest retrieval addresses this by using multiple user embeddings, yet existing methods still suffer from two issues: interest collapse, where different embeddings learn the same interest, and static dispatch, where serving uses a fixed retrieval budget even when some embeddings are unnecessary. We propose SetMIR, which treats multi-interest retrieval as a set prediction problem. SetMIR encodes a user's behavior history with a transformer and uses K learnable queries to decode a set of user interests, each producing a retrieval embedding and a presence score. During training, Hungarian matching assigns targets to queries one-to-one, so matched queries learn distinct interests and the presence head learns which queries are active. At serving time, SetMIR uses presence scores and query-level Non-Maximum Suppression (NMS) to issue only active, non-redundant ANN queries. On Snap's Dynamic Product Ads (DPA) data, SetMIR outperforms four learned multi-interest retrievers on every metric while issuing 33% fewer ANN queries per request. Deployed as a new retrieval source in the DPA production stack, SetMIR lifts overall CVR by 3.1%, while lifting CTR by 44% and CVR by 51% over the item-to-item retrieval source with the same item embeddings, ANN index, and retrieval quota.
- Abstract（参考訳）: 埋め込みベースの検索は、産業レコメンデーションシステムの中核にあるが、単一のユーザ埋め込みは、ユーザの多様な関心を捉えるために、しばしば制限される。
多目的検索は、複数のユーザ埋め込みを使用することでこの問題に対処するが、既存の手法では、異なる埋め込みが同じ関心を学習する利害崩壊と、ある埋め込みが不要である場合でも固定された検索予算を使用する静的ディスパッチという2つの問題に悩まされている。
本稿では,多目的検索を集合予測問題として扱うSetMIRを提案する。
SetMIRは、ユーザの行動履歴をトランスフォーマーでエンコードし、学習可能なクエリを使用して、ユーザの関心の集合をデコードし、それぞれが検索埋め込みとプレゼンススコアを生成する。
トレーニング中、ハンガリーのマッチングはターゲットを1対1のクエリに割り当て、マッチしたクエリは異なる関心事を学び、プレゼンスヘッドはどのクエリがアクティブであるかを学習する。
サービス時には、SetMIRは存在スコアとクエリレベルの非最大抑圧(NMS)を使用して、アクティブで非冗長なANNクエリのみを発行する。
SnapのDynamic Product Ads(DPA)データでは、SetMIRは、各メトリックで学習した4つのマルチゲストレトリバーを上回り、リクエスト毎に33%のANNクエリを発行する。
新たな検索ソースとしてDPAの生産スタックにデプロイされたSetMIRは、全体的なCVRを3.1%、CTRを44%、CVRを51%引き上げる。
関連論文リスト
- MULTI3IR: A Benchmark for Multi-perspective Multi-domain Multi-modal Information Retrieval [42.63487516145706]
Multi$3$IRは、オープンエンドクエリの多面的視点をレトリバーがいかによくカバーするかを評価するベンチマークである。
104.9KのStack Exchangeクエリで構成され、各クエリの暗黙の視点をキャプチャするパースペクティブ記述が注釈付けされている。
また,パラメータとラベル効率のよい手法であるSPINを提案する。
論文 参考訳（メタデータ） (2026-08-31T15:19:26Z) - Not All Inputs Are Valid: Towards Open-Set Video Moment Retrieval Using Language [82.18047702848021]
Video Moment Retrieval (VMR) は、未トリミングビデオから文クエリに対応する特定のモーメントを検索するターゲットである。
この目的のために、我々は、新しいVMR設定であるOpen-Set Video Moment Retrieval (OS-VMR)を創造的に探求する。
本稿では,OS-VMRに向けた最初の試みとして,正規化フロー技術に基づくIDおよびOODクエリを識別する新しいモデルであるtextOpenVMRを提案する。
論文 参考訳（メタデータ） (2026-05-28T11:57:14Z) - LITTA: Late-Interaction and Test-Time Alignment for Visually-Grounded Multimodal Retrieval [0.0]
LITTAは、エビデンスページ検索のためのクエリ拡張中心の検索フレームワークである。
ユーザクエリが与えられた後、LITTAは大きな言語モデルを使用して補完的なクエリ変種を生成する。
拡張されたクエリからの候補は、エビデンスカバレッジを改善するために、相互のランクフュージョンを通じて集約される。
論文 参考訳（メタデータ） (2026-03-10T13:25:39Z) - Beyond Caption-Based Queries for Video Moment Retrieval [60.31221310786333]
キャプションベースのクエリでトレーニングしたVMR手法の劣化について検討するが,検索クエリで評価した。
3つのパブリックVMRデータセットでテキストクエリを変更することで、3つのベンチマークを導入する。
提案手法は,検索クエリの性能を最大14.82% mAP_m,マルチモーメント検索クエリ最大21.83% mAP_mで改善する。
論文 参考訳（メタデータ） (2026-03-02T20:06:41Z) - Rethinking ANN-based Retrieval: Multifaceted Learnable Index for Large-scale Recommendation System [46.70111672855811]
MultiFaceted Learnable Index (MFLI)は、マルチフェイスアイテムの埋め込みとインデックスを統一されたフレームワーク内で学習するスケーラブルでリアルタイムな検索パラダイムである。
MFLIは、エンゲージメントタスクのリコールを最大11.8%改善し、コールドコンテントデリバリを最大57.29%改善し、セマンティック関連性を従来の最先端手法と比較して13.5%改善した。
論文 参考訳（メタデータ） (2026-02-18T01:31:29Z) - MultiConIR: Towards multi-condition Information Retrieval [38.864056667809095]
MultiConIRは、複雑なマルチ条件クエリシナリオ下での検索および再ランクモデルの評価のために設計されたベンチマークである。
ほとんどのレトリバーとリランカは、クエリの複雑さが増大するにつれて、パフォーマンスが大幅に低下する。
この研究は、リランカの性能劣化の原因を解明し、クエリ内の条件位置が類似性評価にどのように影響するかを検討する。
論文 参考訳（メタデータ） (2025-03-11T05:02:03Z) - Benchmarking Multimodal Retrieval Augmented Generation with Dynamic VQA Dataset and Self-adaptive Planning Agent [92.5712549836791]
マルチモーダル大規模言語モデル(MLLM)に固有の「ハロシン化」問題を緩和する上で,mRAG(Multimodal Retrieval Augmented Generation)が重要な役割を果たしている。
マルチモーダル検索のための自己適応型計画エージェントOmniSearchを提案する。
論文 参考訳（メタデータ） (2024-11-05T09:27:21Z) - OmniSearchSage: Multi-Task Multi-Entity Embeddings for Pinterest Search [2.917688415599187]
OmniSearchSageは、検索クエリやピン、Pinterest検索用の製品を理解するための汎用的でスケーラブルなシステムです。
私たちはピンとプロダクトの埋め込みを組み合わせた統合クエリの埋め込みを共同で学び、その結果として、$>8%の関連性、$>7%のエンゲージメント、$>5%の広告CTRが改善されました。
論文 参考訳（メタデータ） (2024-04-25T00:10:25Z) - Session-Aware Query Auto-completion using Extreme Multi-label Ranking [61.753713147852125]
本稿では,セッション対応クエリ自動補完の新たな手法を,XMR(Multi Multi-Xtreme Ranking)問題として取り上げる。
アルゴリズムのキーステップにいくつかの修正を提案することにより、この目的のために一般的なXMRアルゴリズムを適応させる。
当社のアプローチは、セッション情報を活用しながら、自動補完システムの厳しいレイテンシ要件を満たします。
論文 参考訳（メタデータ） (2020-12-09T17:56:22Z)
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。