論文の概要: UNIQUE: A Unified Retrieval and Ranking System for Large-Scale Feed Recommendation

• arxiv url: http://arxiv.org/abs/2609.23718v1
• Date: Sun, 20 Sep 2026 15:54:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 16:24:02.562895
• Title: UNIQUE: A Unified Retrieval and Ranking System for Large-Scale Feed Recommendation
• Title（参考訳）: UNIQUE:大規模フィードレコメンデーションのための統一検索とランキングシステム
• Abstract要約: 産業用モバイルフィードシステムは、厳格なレイテンシ制約の下で大規模で不均一で高速に変化するコンテンツを提供するために、検索レベルのパイプラインに依存している。 既存のパイプラインは、候補検索におけるロングテール量子化の不安定性と、分離された検索とランキングステージの間の情報損失の2つの重大な問題に悩まされている。 単層フラット量子化を用いた統合検索・ランキングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.938336007479786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial mobile feed systems rely on a retrieval-ranking pipeline to serve large-scale, heterogeneous, and fast-changing content under strict latency constraints. However, existing pipelines still suffer from two critical issues: hierarchical quantization instability in candidate retrieval and information loss between separated retrieval and ranking stages. These issues hurt long-tail and cold-start recommendation and complicate efficient serving. To address them, we present UNIQUE, a unified retrieval and ranking recommendation framework with single-layer flat quantization. UNIQUE integrates generative code-based retrieval and target-aware ranking into one early-fusion architecture, enabling end-to-end training under a shared representation while preserving efficient candidate generation. A balanced quantization mechanism is further introduced to mitigate codebook imbalance and improve long-tail representation. Offline experiments evaluate UNIQUE from both retrieval and ranking perspectives, while codebook analysis shows more balanced resource allocation than hierarchical quantization. We deploy UNIQUE in the homepage feed, discovery-page, and short-video recommendation scenarios of Mobile Baidu, serving large-scale real-world traffic. Online A/B tests achieve a 0.96% gain in total watch duration and a 1.08% gain in total distribution volume, with notable improvements for new users and highly active users. Serving measurements show 89 ms P99 latency and 44.23% online inference MFU. These results show that UNIQUE provides a stable, efficient, and production-ready framework for unified retrieval and ranking in industrial recommendation.
• Abstract（参考訳）: 産業用モバイルフィードシステムは、厳格なレイテンシ制約の下で大規模で不均一で高速に変化するコンテンツを提供するために、検索レベルのパイプラインに依存している。 しかし、既存のパイプラインは、候補検索における階層的量子化の不安定性と、分離された検索とランキングステージの間の情報損失の2つの重大な問題に悩まされている。 これらの問題は、ロングテールとコールドスタートのレコメンデーションを損なうとともに、効率的なサービスの提供を複雑にする。 そこで本研究では,単一層フラット量子化を用いた統一検索・ランキング推薦フレームワークUNIQUEを提案する。 UNIQUEは、生成コードに基づく検索とターゲット認識のランキングを1つのアーリーフュージョンアーキテクチャに統合し、効率的な候補生成を保ちながら、共有表現の下でエンドツーエンドのトレーニングを可能にする。 さらに、コードブックの不均衡を緩和し、ロングテール表現を改善するために、バランス量子化機構が導入された。 オフライン実験は、検索とランキングの両方の観点からUNIQUEを評価し、コードブック分析は階層的な量子化よりもリソース割り当てのバランスが良いことを示している。 We deploy UNIQUE in the homepage feed, discovery-page and short-video recommendation scenarios of Mobile Baidu, provide large-scale real-world traffic。 オンラインA/Bテストは、総視聴時間で0.96%、総配信量で1.08%、新規ユーザとアクティブユーザで顕著な改善が達成されている。 実測では、89ms P99レイテンシと44.23%のオンライン推測MFUが示されている。 これらの結果から,UNIQUEは産業レコメンデーションにおける統一された検索とランキングのための,安定的で効率的かつ生産可能なフレームワークを提供することが示された。

関連論文リスト

• Unifying Generative Recall and Multi-Objective Ranking in a Single Decoder-Only Sequence [26.231002784432842]
  生成的リコールとランキングのスケーリングは、共通のTransformerベースのモデリング哲学を共有している。 我々は textbfUniR$2$, textbfUnified decoder のみの変換器を提案し, 生成 textbfRecall と Multi-Objective textbfRanking を統一する。
  論文  参考訳（メタデータ） (2026-07-27T13:47:38Z)
• Surface-Form Neural Sparse Retrieval: Robust Fuzzy Matching for Industrial Music Search [6.820455959856271]
  クエリは、ミススペル、トランスポジション、音声のバリエーションによるインデックス付きメタデータから頻繁に逸脱する。 既存の学習・検索システムであるHigh Confidence Index (HCI)は、顧客の行動からクエリ・エンティティ・アソシエーションを学習する。 従来のn-gramマッチングは、この探索を可能にするが、セマンティックロバスト性や高雑音に悩まされる。 本稿では,探索効率を最大化するために,テキストフロバスト型ニューラルスパース検索システムを提案する。
  論文  参考訳（メタデータ） (2026-05-18T02:29:25Z)
• ResRank: Unifying Retrieval and Listwise Reranking via End-to-End Joint Training with Residual Passage Compression [5.223477157195793]
  中間のロスト」現象は、入力長が大きくなるにつれてランキング品質を低下させる。 推論レイテンシは、シーケンス長と超直線的にスケールし、産業展開において非現実的にリストワイズする。 ResRankは、両方の課題を根本的に解決する統合検索格付けフレームワークである。
  論文  参考訳（メタデータ） (2026-04-24T03:11:51Z)
• 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)
• 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)
• RADAR: Recall Augmentation through Deferred Asynchronous Retrieval [0.0]
  Deferred Asynchronous Retrieval (RADAR)によるリコール拡張について紹介する。 RADARは、完全な複雑性ランキングモデルを使用して、ユーザに対してはるかに大きな候補セットを事前にランク付けする。 RADARは、検索されたより大きな候補セットとより強力なランキングモデルを効果的に組み合わせることでリコールを大幅に強化する。
  論文  参考訳（メタデータ） (2025-06-08T19:21:46Z)
• A Thorough Performance Benchmarking on Lightweight Embedding-based Recommender Systems [67.52782366565658]
  State-of-the-art recommender system (RS) は、埋め込みベクトルによって符号化される分類的特徴に依存し、結果として非常に大きな埋め込みテーブルとなる。 軽量埋め込み型RSの繁栄にもかかわらず、評価プロトコルには幅広い多様性が見られる。 本研究では, LERSの性能, 効率, クロスタスク転送性について, 徹底的なベンチマークによる検討を行った。
  論文  参考訳（メタデータ） (2024-06-25T07:45:00Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)

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。