論文の概要: MuSeR: Scalable Long-sequence Recommendation with Multi-interest Modeling

• arxiv url: http://arxiv.org/abs/2609.23677v1
• Date: Sun, 20 Sep 2026 14:36:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 16:24:53.261851
• Title: MuSeR: Scalable Long-sequence Recommendation with Multi-interest Modeling
• Title（参考訳）: MuSeR:マルチ関心モデリングによるスケーラブルなロングシーケンスレコメンデーション
• Abstract要約: Multi-interest Sequence Representation (MuSeR)は、MGSシステム上に構築された検索フレームワークである。 MuSeRは、強いロングシーケンスとマルチ関心ベースラインに対して、一貫してRecall@$K$を改善している。 Baidu APPのホームページフィード、ディスカバリフィード、ショートビデオシナリオに対するオンラインのA/Bテストでは、MuSeRは毎日のアクティブユーザを0.26%、セッション総期間を0.89%も得ている。
• 参考スコア（独自算出の注目度）: 18.87619121540462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultra-long user behavior sequences carry rich signals of stable and diverse preferences, yet industrial recommender systems typically truncate histories to a few hundred actions under strict latency and memory budgets, leaving long-term interests under-utilized. Users also pursue multiple heterogeneous intents across modalities such as news, Q&A, and short video, which sparse ID embeddings alone struggle to represent. We present Multi-interest Sequence Representation (MuSeR), a retrieval framework built on the deployed MGS system, which integrates three components: (i) hierarchical temporal compression, which retains recent actions at full resolution while progressively pooling older segments, so that per-user histories of $10^{4}$-$10^{5}$ interactions fit within a fixed serving budget; (ii) disentangled multi-query interest extraction with orthogonality regularization; and (iii) multimodal semantic alignment, which augments sparse item IDs with textual summaries distilled from a large language model. For industrial deployment, MuSeR further adopts asynchronous user-representation refresh with adaptive caching and hierarchical beam-search retrieval across heterogeneous hardware. On three public benchmarks and a large-scale industrial dataset, MuSeR consistently improves Recall@$K$ over strong long-sequence and multi-interest baselines. In online A/B tests on Baidu APP's homepage feed, discovery feed, and short-video scenarios, MuSeR yields +0.26% daily active users and +0.89% total session duration (both statistically significant, p<0.05), alongside reduced serving latency and cost. Rather than proposing a new modeling primitive, our contribution is a system-level integration that makes long-term, multi-interest, and multimodal modeling jointly deployable in a real-time production pipeline, together with the engineering practices required to sustain it.
• Abstract（参考訳）: 超長期のユーザ行動シーケンスは、安定的で多様な好みの豊富なシグナルを伝達するが、産業レコメンデータシステムは通常、厳格なレイテンシとメモリ予算の下で数百のアクションに履歴を絞り込み、長期的な利益を未利用のままにしておく。 ユーザーはまた、ニュース、Q&A、ショートビデオなどのモダリティにまたがる複数の異質な意図も追求している。 デプロイされたMGSシステム上に構築された検索フレームワークであるMuSeR(Multi-interest Sequence Representation)について述べる。 (i)階層的時間圧縮は、古いセグメントを段階的にプールしながら、最新の動作を全解像度で保持するので、ユーザ毎のヒストリーは、固定されたサービス予算の範囲内に収まる。 (二)直交正則化による絡み合った多点利子抽出、及び (iii)多モーダルなセマンティックアライメントは、大きな言語モデルから抽出したテキスト要約によるスパースアイテムIDを増大させる。 産業展開において、MuSeRはさらに非同期なユーザ表現リフレッシュを採用し、アダプティブキャッシングとヘテロジニアスハードウェア間の階層的ビームサーチを検索する。 3つの公開ベンチマークと大規模産業データセットにおいて、MuSeRは、強いロングシーケンスとマルチ関心ベースラインよりも、一貫してRecall@$K$を改善している。 Baidu APPのホームページフィード、ディスカバリフィード、ショートビデオシナリオに対するオンラインA/Bテストでは、MuSeRは毎日のアクティブユーザー+0.26%、合計セッション期間+0.89%(統計的に有意なp<0.05)と、サービスレイテンシとコストの削減を兼ね備えている。 新しいモデリングプリミティブを提案するのではなく、当社のコントリビューションは、長期的、多目的的、マルチモーダルなモデリングをリアルタイム生産パイプラインに共同でデプロイ可能にするシステムレベルの統合と、それを維持するために必要なエンジニアリングプラクティスです。

関連論文リスト

• Dual-Interest Sequential Product Recommendation With Multi-Granular SSM [4.649779668774962]
  シークエンシャルレコメンデーションは、ユーザが過去の行動に基づいて、次に対話するアイテムを予測することを目的としている。 既存のほとんどのメソッドは、アイテムのポリセミー現象を見越して、各アイテムを単一の静的なコンテキストロールでエンコードする。 DSRecは、アイテムロールを長期的および短期的セマンティックコンテキストで明確に切り離す、新しい双方向関心クロスSSMモデルである。
  論文  参考訳（メタデータ） (2026-09-18T09:40:51Z)
• Task-Blind No MORE: Multi-Task Information Flow in Unified Ranking Backbones [15.647515309133025]
  MORE (Multi-task cO-evolving Ranking modEl) はバックボーン内にマルチタスク情報フローを埋め込む。 タスク固有の信号は、ポストホック融合ではなく、各レイヤでシーケンスと特徴表現を共進化させることができる。 MOREは、同等のパラメータとFLOPの予算の下で、すべてのタスクのベースラインを一貫して上回り、モデルサイズとうまくスケールします。
  論文  参考訳（メタデータ） (2026-09-07T09:36:57Z)
• SIREN: Unified Multi-Granularity Semantic Interaction for Multi-Modal Lifelong User Interest Modeling [21.637289409638655]
  産業レコメンデータシステムは、進化するユーザの好みを捉えるために、生涯にわたるユーザ行動履歴とリッチなマルチモーダルコンテンツを活用している。 SIRENは,マルチモーダル・ライフタイム・ユーザ・関心モデリングのための統合された多言語間セマンティック・インタラクション・フレームワークである。 2025年7月から、SIRENはTencentの広告プラットフォームでフルトラフィックサービス用に完全にローンチされた。
  論文  参考訳（メタデータ） (2026-05-25T11:33:27Z)
• Chimera: Latency- and Performance-Aware Multi-agent Serving for Heterogeneous LLMs [62.17306142810532]
  ヘテロジニアスLSMクラスタ上で動作するマルチエージェントワークフローの予測スケジューリングシステムであるChimeraを提案する。 Chimeは最高のレイテンシをトレースし、エンドツーエンドのレイテンシを1.2-2.4$times$で削減し、タスクパフォーマンスを平均8.0-9.5ポイント改善する。
  論文  参考訳（メタデータ） (2026-03-23T17:01:42Z)
• GEMs: Breaking the Long-Sequence Barrier in Generative Recommendation with a Multi-Stream Decoder [54.64137490632567]
  本稿では,長期的履歴からユーザのシーケンスをキャプチャする新しい統一フレームワークを提案する。 GEM(Generative Multi-streamer)は、ユーザのシーケンスを3つのストリームに分割する。 大規模産業データセットに対する大規模な実験により、GEMは推奨精度において最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-14T06:42:56Z)
• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• MUSE: A Simple Yet Effective Multimodal Search-Based Framework for Lifelong User Interest Modeling [48.18456242206804]
  本稿では、生涯モデリングフレームワークの両段階にわたるマルチモーダル信号の活用方法の体系的分析について述べる。 単純なマルチモーダル検索ベースのフレームワークであるMUSEを提案する。 MUSE は Taobao ディスプレイ広告システムに実装されており,100K 長のユーザ行動シーケンスをモデル化することができる。
  論文  参考訳（メタデータ） (2025-12-08T06:55:13Z)
• FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
  textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
  論文  参考訳（メタデータ） (2025-07-07T04:09:45Z)

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。