論文の概要: Connected Content Retriever: Dense Graph Edge Features Powering Pre-Ranking at LinkedIn
- arxiv url: http://arxiv.org/abs/2609.22441v1
- Date: Fri, 18 Sep 2026 18:01:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.402254
- Title: Connected Content Retriever: Dense Graph Edge Features Powering Pre-Ranking at LinkedIn
- Title（参考訳）: Connected Content Retriever: LinkedInのプレランキングを支えるDense Graph Edge機能
- Abstract要約: 我々は、GPU上の完全なディープランキングモデルで候補を低レイテンシでスコアする事前ランクシステムであるConnected Content Retriever(CC Retriever)を紹介する。
コアとなるのはソートされたGPUプリミティブで、密度の高いグラフ親和性機能(ビューアから著者への)と、実行時にGPUに5～10msで格納されるドキュメントレベル機能とを結合する。
GPUへのシフトにより、ランキングモデルのパラメータの50倍のスケールアップが可能になり、オンライン実験でLinkedIn Feedに費やされたコンテンツ時間は+2.5%上昇した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In large-scale recommendation systems like the LinkedIn Feed, content generated by a member's network (connections and follows) makes up over 70% of impressions and engagement. It is therefore essential that the pre-ranking layer forwards the best possible few hundred candidates to the ranking layer. LinkedIn's professional knowledge graph carries engagement signals across both the first degree network (connections and follows) and the second-degree network: posts that a 1st-degree connection reacted to, commented on or reshared but did not author (a.k.a. stranger viral). Due to this fan out, the resulting candidate index exceeds one billion; selection of activities from the viewer's network narrows it down to roughly tens of thousands of activities that must be scored within a 120 ms p99 latency budget. We present Connected Content Retriever (CC Retriever), a pre-ranking system that scores these candidates with a full deep ranking model on GPUs at low latency. At its core is a sorted-search GPU primitive that joins dense graph affinity features (viewer to author) with document level features stored on the GPU at runtime in 5-10 ms. The shift to GPU served scoring enabled a 50x scale up of the ranking model's parameters and delivered a +2.5% lift in content time spent on the LinkedIn Feed in online experiments, significantly higher than the typical gains observed in LinkedIn Feed experiments. In this work, we describe the feature set we leverage from LinkedIn's economic graph and the model architecture used for scoring, with a particular emphasis on the online system that scales the stack.
- Abstract（参考訳）: LinkedIn Feedのような大規模レコメンデーションシステムでは、メンバのネットワーク(コネクションとフォロー)によって生成されたコンテンツは、インプレッションとエンゲージメントの70%以上を占めています。
したがって、序列層が最高の数百の候補をランク層に転送することが不可欠である。
LinkedInの専門知識グラフには、第1次ネットワーク(接続とフォロー)と第2次ネットワークの両方にわたるエンゲージメントシグナルが格納されている。
このファンアウトにより、結果の候補インデックスは10億を超え、ビューアのネットワークからのアクティビティの選択は、120ミリ秒のp99レイテンシー予算で取得しなければならない、およそ数万のアクティビティに絞り込まれる。
我々は、これらの候補を低レイテンシでGPU上で完全なディープランキングモデルでスコアする事前ランク付けシステムであるConnected Content Retriever(CC Retriever)を提示する。
コアとなるソートされたGPUプリミティブは、密度の高いグラフ親和性機能(ビューアから著者への)と、実行時にGPUに格納されたドキュメントレベル機能とを5～10msで結合する。GPUが提供したスコアリングにより、ランキングモデルのパラメータの50倍のスケールアップが可能となり、オンライン実験でLinkedIn Feedに費やされたコンテンツ時間が+2.5%向上し、LinkedIn Feed実験で見られる典型的な利得よりも大幅に高くなった。
本稿では、LinkedInの経済グラフから活用する機能セットとスコアリングに使用されるモデルアーキテクチャについて述べ、特にスタックをスケールするオンラインシステムに重点を置いている。
関連論文リスト
- Scaling Graph Neural Networks for Friend Recommendation: Multi-Hash User Embeddings and Temporal Neighbor Sampling [42.18510447563619]
本稿では,ソーシャルグラフ作成のためのスケーラブルなエンドツーエンドGNNランキングシステムを提案する。
この設定において重要な2つの設計選択に焦点をあてる:マルチハッシュIDの埋め込みと時間的隣人サンプリングである。
当社のシステムは16%のリコメンデーションから友達のリコメンデーションを増やし、11.5%のユニークな友達のリコメンデーションを、強力な生産ベースラインから得ている。
論文 参考訳（メタデータ） (2026-08-27T17:41:33Z) - Large Scale Retrieval for the LinkedIn Feed using Causal Language Models [4.742257164636025]
本稿では,大規模な因果言語モデルをデュアルエンコーダとして微調整し,ユーザ(メンバー)とコンテンツ(イテム)の両方に高品質な埋め込みを生成する,新たな検索手法を提案する。
組込み生成の即時設計、LinkedInのスケールでの微調整のテクニック、低レイテンシのためのインフラストラクチャ、コスト効率のよいオンラインサービスを含む、エンドツーエンドパイプラインについて説明する。
論文 参考訳（メタデータ） (2025-10-16T02:01:33Z) - LinkedIn Post Embeddings: Industrial Scale Embedding Generation and Usage across LinkedIn [8.031283297332447]
ポスト埋め込みは、意味を効果的に捉えた埋め込み空間におけるテキストの表現である。
本稿では,事前学習したトランスフォーマーベース大規模言語モデル(LLM)を入力として,微調整を行うLinkedInのポスト埋め込みについて述べる。
我々は、前向きな移行を観察し、独立してトレーニングするのに比べ、すべてのタスクにおけるパフォーマンスの改善につながった。
論文 参考訳（メタデータ） (2024-05-18T17:28:29Z) - LiGNN: Graph Neural Networks at LinkedIn [14.113156848246222]
本稿では,GNN表現学習の品質をアルゴリズム的に改善する手法を提案する。
LinkedInのグラフに関する大規模なトレーニングを7倍に向上させた経緯を説明します。
私たちは、A/Bテストから集めたデプロイメントの教訓と学習を要約します。
論文 参考訳（メタデータ） (2024-02-17T00:10:33Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳（メタデータ） (2022-05-24T16:22:40Z) - MultiBiSage: A Web-Scale Recommendation System Using Multiple Bipartite
Graphs at Pinterest [53.3951260443916]
グラフ畳み込みネットワーク(GCN)はグラフ構造とノードの特徴を効率的に統合し、高品質なノード埋め込みを学習する。
Pinterestでは、Pin-Boardグラフからピン埋め込みを学習するデータ効率のGCNであるPinSageを開発し、デプロイしました。
多様な相互作用を捉えたグラフ上でディープラーニングモデルをトレーニングすることで、高品質なピン埋め込みを学習できることを示す。
論文 参考訳（メタデータ） (2022-05-21T20:04:46Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - GraphConfRec: A Graph Neural Network-Based Conference Recommender System [2.66512000865131]
SciGraphとグラフニューラルネットワークを組み合わせた会議推薦システムであるGraphConfRecを提案する。
タイトルや抽象だけでなく、共著者関係や引用関係にも基づいている。
最大0.580のリコール@10と最大0.336のMAPをグラフアテンションネットワークベースのレコメンデーションモデルで達成する。
論文 参考訳（メタデータ） (2021-06-23T12:10:40Z) - Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。
高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。
このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文 参考訳（メタデータ） (2020-07-03T09:30:07Z) - Study of the usability of LinkedIn: a social media platform meant to
connect employers and employees [91.3755431537592]
本稿では,LinkedInのユーザビリティをユーザ評価と専門家評価の両方を用いて評価する。
LinkedInアプリケーションの全体的なユーザビリティは、SUS(System Usability Scale)を使用して測定されている。
論文 参考訳（メタデータ） (2020-06-06T18:19:45Z)
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。