論文の概要: A Multi-Source Ensemble Approach to Candidate Generation for Alternative Vacation Rental Property Recommendations

• arxiv url: http://arxiv.org/abs/2609.05748v1
• Date: Fri, 04 Sep 2026 21:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.127975
• Title: A Multi-Source Ensemble Approach to Candidate Generation for Alternative Vacation Rental Property Recommendations
• Title（参考訳）: オルタナティブ・カウンタ・レンタル・プロパティ・レコメンデーションのための候補生成のためのマルチソースアンサンブルアプローチ
• Abstract要約: 本稿では,休暇レンタル代替案の候補生成手法について包括的に検討する。 大規模休暇レンタルプラットフォームを用いた実験では,アイテムベース協調フィルタリングとGNNベース検索を組み合わせたハイブリッドアーキテクチャが,最強ベースラインよりも14.8%向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Alternative property recommendations play a critical role in vacation rental marketplaces, helping users discover relevant options when viewing a specific listing. However, generating high-quality candidate alternatives presents unique challenges: heterogeneous inventory, geographic constraints, rapid availability changes, and long-tail property distributions. We present a comprehensive study of candidate generation (CG) approaches for vacation rental alternatives, comparing collaborative filtering, shallow embeddings, and graph neural network (GNN) methods. Our experiments on a large-scale vacation rental platform (over 2M active properties) show that a hybrid architecture combining item-based collaborative filtering with GNN-based retrieval improves Recall@300 by 14.8% over the strongest baseline, by leveraging the complementary strengths of the two sources: collaborative filtering excels at early recall for properties with rich interaction history, while GNNs discover diverse, non-obvious alternatives and handle cold-start scenarios more effectively. As a component result, GNN-based embeddings alone substantially outperform shallow Hotel2Vec embeddings (48-68% relative recall improvement across K), motivating their inclusion in the ensemble. Crucially, we examine how CG-stage gains carry through to the downstream ranking stage, and find that a stronger candidate pool yields higher downstream ranking quality, though attributing this effect cleanly is complicated by the coupling between candidate generation and ranker training. This recall-conversion gap is an important consideration for practitioners deploying new retrieval methods in two-stage recommendation systems.
• Abstract（参考訳）: 代替不動産レコメンデーションは、休暇のレンタルマーケットプレースにおいて重要な役割を担い、ユーザが特定のリスティングを見る際に、関連するオプションを見つけるのに役立つ。 しかし、高品質な代替案を生成することは、不均一な在庫、地理的制約、迅速な可用性の変化、ロングテールな特性分布など、独特な課題を呈している。 本稿では, 共同フィルタリング, 浅層埋め込み, グラフニューラルネットワーク(GNN) 手法を比較し, 休暇料代替案の候補生成(CG)手法を総合的に検討する。 大規模休暇レンタルプラットフォーム(200万以上のアクティブなプロパティ)における実験から,GNNに基づく検索とアイテムベースの協調フィルタリングを組み合わせたハイブリッドアーキテクチャは,2つのソースの相補的強みを生かして,Recall@300を14.8%向上させることがわかった。 その結果、GNNベースの埋め込みだけで浅いHotel2Vec埋め込み(K全体で48-68%の相対的なリコール改善)を著しく上回り、アンサンブルに組み込む動機となった。 重要な点として、CGステージのゲインが下流ランキングの段階にどのように進み、より強い候補プールが下流ランキングの質を高めるかを調べるが、この効果は候補生成とランクラートレーニングの結合によって明らかに複雑である。 このリコール・コンバージョンギャップは,2段階のレコメンデーションシステムに新たな検索手法を導入する実践者にとって重要な考慮事項である。

関連論文リスト

• DEGR: Dual Exploration-Driven Generative Re-Ranking for Adaptive Cross-Request Context Bridging [7.797900623517651]
  本稿では,産業レコメンデーションシステムのためのDual Exploration-Driven Generative Re-Ranking(DEGR)手法を提案する。 実験では、DEGRはSOTA法よりも優れており、JD Eコマースレコメンデーションシステムにおいて最大1.22%のUCTRと0.20%のPVの改善を実現している。
  論文  参考訳（メタデータ） (2026-08-05T13:14:23Z)
• F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
  大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。 この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。 このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。 本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T04:52:33Z)
• CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
  CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。 この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
  論文  参考訳（メタデータ） (2026-04-19T17:48:17Z)
• Search-R2: Enhancing Search-Integrated Reasoning via Actor-Refiner Collaboration [49.9937230730202]
  本稿では,新たなアクター・リファイナ・コラボレーション・フレームワークであるSearch-R2を提案する。 提案手法は,生成過程をアクターに分解し,最初の推論軌道を生成する。 本稿では,検索-R2がモデルスケール全体にわたって強力なRAGとRLベースのベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-03T15:32:09Z)
• Blending Learning to Rank and Dense Representations for Efficient and Effective Cascades [18.081997057477178]
  アドホック経路検索における語彙信号と神経関連信号の併用について検討した。 我々は,ニューラルネットワークが第1段階として機能し,最寄りの探索を行うパイプラインアーキテクチャを採用している。 nDCG@10が11%向上し、平均クエリレイテンシが4.3%向上しました。
  論文  参考訳（メタデータ） (2025-10-18T08:16:48Z)
• STT-GS: Sample-Then-Transmit Edge Gaussian Splatting with Joint Client Selection and Power Control [77.56170394100022]
  Edge Gaussian splatting (EGS)は、分散クライアントからデータを集約し、エッジサーバでグローバルGSモデルをトレーニングする。 本稿では、異なるクライアントのビューコントリビューションを識別する新しいGS指向の目的関数を定式化する。 その結果,低サンプリング比でGS指向の目的を正確に予測できることが判明した。
  論文  参考訳（メタデータ） (2025-10-15T06:20:47Z)
• CORONA: A Coarse-to-Fine Framework for Graph-based Recommendation with Large Language Models [37.31002764910533]
  大規模言語モデル(LLM)はドメイン間で強力な機能を示している。 提案手法は,候補フィルタリング過程におけるLLMの推論能力を活用することである。 我々は,候補項目の範囲を徐々に狭めるために,検索の連鎖(Chein Of Retrieval ON grAphs)を導入する。
  論文  参考訳（メタデータ） (2025-06-14T08:20:15Z)
• A Hybrid Cross-Stage Coordination Pre-ranking Model for Online Recommendation Systems [4.674390786897972]
  HCCP(Hybrid Cross-Stage Coordination Pre-level Model)を提案する。 HCCPは、上流(検索)と下流(ランク、再ランク)からの情報を統合する。 最大14.9%のUCVRと1.3%のUCTRがJD Eコマースレコメンデーションシステムに貢献している。
  論文  参考訳（メタデータ） (2025-02-14T16:42:54Z)
• COBRA: COmBinatorial Retrieval Augmentation for Few-Shot Adaptation [5.840239260337972]
  我々は,COBRA(COmBinatorial Retrieval Augmentation,COBRA)を提案する。 COBRAは、ダウンストリームモデルの性能を大幅に向上させながら、検索コストに無視可能な計算オーバーヘッドを導入している。
  論文  参考訳（メタデータ） (2024-12-23T16:10:07Z)
• RecDCL: Dual Contrastive Learning for Recommendation [65.6236784430981]
  本稿では、RecDCLという2つのコントラスト学習推薦フレームワークを提案する。 RecDCLでは、FCLの目的は、ユーザとイテムの正のペアに対する冗長なソリューションを排除することである。 BCLの目的は、表現の堅牢性を高めるために出力ベクトルにコントラスト埋め込みを生成するために利用される。
  論文  参考訳（メタデータ） (2024-01-28T11:51:09Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)

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。