論文の概要: OneTrans-V2: Unifying Retrieval, Pre-rank, and Fine-rank with One Transformer in Industrial Recommender
- arxiv url: http://arxiv.org/abs/2609.28589v1
- Date: Wed, 23 Sep 2026 14:57:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.426829
- Title: OneTrans-V2: Unifying Retrieval, Pre-rank, and Fine-rank with One Transformer in Industrial Recommender
- Title（参考訳）: OneTrans-V2: 産業用リコメンタにおける1変圧器による検索、プリランク、ファインランクの統合
- Abstract要約: 本稿では,産業レコメンデーションシステムのカスケード全体を統一するOneTrans-V2を提案する。
ジョイントトレーニングでは、3つのステージが互いに強化され、詳細なランクからプレランクまでのモデル内知識の蒸留が可能となる。
OneTrans-V2は、総商品価値(GMV)を9.74%改善し、共同設計のサービススタックで、代用するカスケードのスループットを3.2倍に向上させる。
- 参考スコア（独自算出の注目度）: 29.21789990769925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial recommendation systems typically operate as a \emph{cascade} of retrieval, pre-rank, and fine-rank, but these stages are usually trained and served as separate models, causing repeated user-sequence encoding, isolated optimization, and duplicated engineering effort. Building on OneTrans' model-level unification, we present OneTrans-V2, one Transformer that unifies the entire cascade. It encodes the user behavior sequence once as a shared context while preserving stage-specific candidate features and computation. Joint training lets the three stages reinforce one another and enables in-model knowledge distillation from fine-rank to pre-rank. We scale the shared backbone with sparse mixture-of-experts (MoE), which increases capacity with bounded activated computation, and stabilize scaling with $μ$P-style parameterization. To consolidate objective-specific retrieval channels, we introduce Decision-Conditioned Generative Retrieval (DCGR). DCGR predicts a decision prefix describing the upcoming interaction and generates items conditioned on it, allowing business objectives to steer a single generative process. Finally, Sequence-Native Training (SNT) organizes training around each user's lifelong behavior sequence and amortizes its encoding across exposures. Deployed across all three stages of a large-scale industrial recommendation system, OneTrans-V2 improves gross merchandise value (GMV) by 9.74\% and, with a co-designed serving stack, delivers $3.2\times$ the throughput of the cascade it replaces under the same hardware budget.
- Abstract（参考訳）: 産業レコメンデーションシステムは、通常、検索、プリランク、ファインランクの「emph{cascade}」として機能するが、これらのステージは通常訓練され、別々のモデルとして機能し、繰り返しユーザーシーケンスエンコーディング、分離された最適化、重複したエンジニアリング作業を引き起こす。
OneTransのモデルレベルの統一の上に構築されたOneTrans-V2は、カスケード全体を統一する1つのトランスである。
ステージ固有の候補機能と計算を保ちながら、ユーザ行動シーケンスを共有コンテキストとしてエンコードする。
ジョイントトレーニングでは、3つのステージが互いに強化され、詳細なランクからプレランクまでのモデル内知識の蒸留が可能となる。
共有バックボーンをSparse Mixed-of-Experts (MoE) で拡張し、バウンドアクティベートされた演算で容量を増大させ、$μ$P形式のパラメータ化でスケーリングを安定化する。
目的固有検索チャネルを統合するために,決定決定生成検索(DCGR)を導入する。
DCGRは、今後のインタラクションを記述した決定プレフィックスを予測し、その上に条件付きアイテムを生成し、ビジネス目的が単一の生成プロセスを操れるようにする。
最後に、SNT(Sequence-Native Training)は、各ユーザの生涯にわたる行動シーケンスに関するトレーニングを組織し、そのエンコーディングを露光で補正する。
大規模産業レコメンデーションシステムの3段階すべてに展開され、OneTrans-V2は総商品価値(GMV)を9.74 %改善し、共同設計のサービススタックにより、同じハードウェア予算の下で交換されるカスケードのスループットに対して3.2 倍のスループットを提供する。
関連論文リスト
- From Language to Behavior: Scaling Sequence Transformers for Industrial Recommendation Ranking with Rec-Native Designs [20.42858135695384]
ReSTはレコメンデーションネイティブなTransformerスケーリングフレームワークである。
信号品質のために、二重ゲートの注意を持つシーケンスエンコーダを導入している。
非対称性では、ランキングを重い再利用可能なエンコーダとデコーダに分解する。
論文 参考訳（メタデータ） (2026-09-01T13:40:36Z) - TransX: Scaling Transformer-based Recommendation via Behavioral and Serving Stream Crossings [4.750812376477589]
本稿では,シーケンス・ツー・シーケンスのアクション問題として推奨を再構成する,生産指向のエンコーダ・デコーダアーキテクチャであるTransXを提案する。
低レイテンシで高QPSデプロイメントを実現するため、TransXは、インクリメンタルなビヘイビアエンコーディングとリクエスト毎のキー値キャッシュを組み合わせた、アモータイズされたサービス戦略で設計されている。
論文 参考訳（メタデータ） (2026-07-31T01:42:57Z) - GenRec: A Preference-Oriented Generative Framework for Large-Scale Recommendation [14.663434490160016]
我々は、JD App上にデプロイされた嗜好指向の生成フレームワークであるGenRecを紹介する。
月のオンラインA/Bテストでは、GenRecは9.5%のクリック数の改善と8.7%のトランザクション数を達成した。
論文 参考訳（メタデータ） (2026-04-16T11:07:05Z) - Beyond Quantity: Trajectory Diversity Scaling for Code Agents [51.71414642763219]
Trajectory Diversity Scalingは、コードエージェントのためのデータ合成フレームワークである。
TDScalingは、(1)実際のサービスの論理的依存関係をキャプチャするBusiness Clusterメカニズム、(2)軌道コヒーレンスを強制するブループリント駆動のマルチエージェントパラダイム、(3)ロングテールシナリオを指向する適応的な進化メカニズムの4つの革新を統合しています。
論文 参考訳（メタデータ） (2026-02-03T07:43:03Z) - GSPN-2: Efficient Parallel Sequence Modeling [101.33780567131716]
一般化空間伝搬ネットワーク(GSPN)は2次自己アテンションを直線走査型伝搬方式に置き換えることでこの問題に対処する。
GSPN-2は、視覚アプリケーションにおけるグローバル空間コンテキストをモデル化するための新しい効率フロンティアを確立する。
論文 参考訳（メタデータ） (2025-11-28T07:26:45Z) - HHFT: Hierarchical Heterogeneous Feature Transformer for Recommendation Systems [9.219747266807682]
HHFTは、産業用CTR予測用に設計されたトランスフォーマーベースのアーキテクチャである。
トランスフォーマーはDNNベースラインを著しく上回り、CTR AUCは+0.4%向上した。
私たちは、このモデルをTaobaoのプロダクションプラットフォームにデプロイし、主要なビジネス指標の大幅な上昇を観察しました。
論文 参考訳（メタデータ） (2025-11-25T12:07:56Z) - OneTrans: Unified Feature Interaction and Sequence Modeling with One Transformer in Industrial Recommender [32.265739328468584]
OneTransは、ユーザー・ビヘイビア・シーケンス・モデリングと機能相互作用を同時に実行する統合トランスフォーマー・バックボーンである。
オンラインA/Bテストでは、OneTransはパラメータの増加とともに効率よくスケールし、強いベースラインを一貫して上回り、ユーザ当たりのGMVは5.68%上昇する。
論文 参考訳（メタデータ） (2025-10-30T03:30:12Z) - OnePiece: Bringing Context Engineering and Reasoning to Industrial Cascade Ranking System [61.12400636463362]
OnePieceは、LLMスタイルのコンテキストエンジニアリングと推論を、検索モデルとランキングモデルの両方にシームレスに統合する統合フレームワークである。
OnePieceは、Shopeeの主要なパーソナライズされた検索シナリオにデプロイされ、さまざまな主要なビジネス指標で一貫したオンラインゲインを実現している。
論文 参考訳（メタデータ） (2025-09-22T17:59:07Z) - RGE-GS: Reward-Guided Expansive Driving Scene Reconstruction via Diffusion Priors [54.81109375939306]
RGE-GSは、拡散に基づく生成と報酬誘導ガウス積分を相乗化する新しい拡張的再構築フレームワークである。
本稿では,復元フェーズに先立って一貫したパターンを識別・優先順位付けする報奨ネットワークを提案する。
復元過程において,シーン収束度に応じてガウス最適化の進捗を自動的に調整する学習戦略を考案した。
論文 参考訳（メタデータ） (2025-06-28T08:02:54Z) - S^2Former-OR: Single-Stage Bi-Modal Transformer for Scene Graph Generation in OR [50.435592120607815]
外科手術のシーングラフ生成(SGG)は、手術室(OR)におけるホモロジー認知知能の増強に不可欠である
これまでの研究は主に多段階学習に依存しており、生成したセマンティックシーングラフはポーズ推定とオブジェクト検出を伴う中間プロセスに依存している。
本研究では,S2Former-OR(S2Former-OR)と呼ばれるORにおけるSGGのための新しいシングルステージバイモーダルトランスフォーマフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-22T11:40:49Z)
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。