論文の概要: GRP v0.1 Technical Report

• arxiv url: http://arxiv.org/abs/2609.36688v1
• Date: Tue, 29 Sep 2026 04:30:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.184128
• Title: GRP v0.1 Technical Report
• Title（参考訳）: GRP v0.1技術報告
• Abstract要約: 産業レコメンデーションシステムは、検索、ランキング、サービスコンポーネントを共同で置き換えるのは難しい多段階カスケードに依存している。 本稿では,単一のエンコーダ-デコーダモデルにおいて,検索,ランキング,報酬モデリングを組み合わせたジェネレーティブレコメンデーションフレームワークであるGRPを提案する。 オンライン実験では、このモデルを検索源として評価し、早期のバイパスと弱い情報源の置き換えを行った。
• 参考スコア（独自算出の注目度）: 8.478641096801033
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Industrial recommendation systems rely on multi-stage cascades whose retrieval, ranking, and serving components are difficult to replace jointly. We present GRP, a generative recommendation framework that combines retrieval, ranking, and reward modeling in a single encoder-decoder model, and evaluate a progressive path toward end-to-end recommendation. The model generates multimodal Semantic IDs and scores candidates with a jointly trained ranking module. The frozen ranking module then supplies rewards for reinforcement-learning post-training. We introduce mGRPO, which adds a reference-anchored margin to reward optimization to preserve the likelihood of logged targets. Offline experiments examine history encoding, model capacity allocation, event selection, tokenization, and reward discrimination. Serving optimizations reduce end-to-end retrieval latency by 69%. Online experiments evaluate the model as a retrieval source, with early-ranking bypass, and with replacement of weaker sources. In a retrieval-only comparison, view time increases by 0.46% and shares by 0.77% relative to production. A separate comparison combining bypass and source replacement yields increases of 0.82% in view time and 2.56% in shares, with neutral platform-level guardrails. These results support progressive deployment while identifying remaining gaps in ranking quality and performance across recommendation metrics.
• Abstract（参考訳）: 産業レコメンデーションシステムは、検索、ランキング、サービスコンポーネントを共同で置き換えるのは難しい多段階カスケードに依存している。 本稿では,単一のエンコーダデコーダモデルにおける検索,ランキング,報酬モデリングを組み合わせた生成的レコメンデーションフレームワークであるGRPについて述べる。 モデルはマルチモーダルセマンティックIDを生成し、共同で訓練されたランキングモジュールで候補をスコアする。 冷凍されたランキングモジュールは、強化学習後のトレーニングに報酬を提供する。 我々はmGRPOを導入し、ログされたターゲットの確率を維持するため、最適化に参照アンカレッドマージンを付加する。 オフライン実験では、履歴エンコーディング、モデルキャパシティ割り当て、イベント選択、トークン化、報酬識別について検討する。 サービング最適化により、エンドツーエンドの検索遅延が69%削減される。 オンライン実験では、このモデルを検索源として評価し、早期のバイパスと弱い情報源の置き換えを行った。 検索のみの比較では、視聴時間は0.46%増加し、生産量に対して0.77%上昇する。 バイパスとソース交換を組み合わせた別の比較では、ビュータイムが0.82%、株が2.56%、中立なプラットフォームレベルのガードレールが増加した。 これらの結果は、プログレッシブデプロイメントをサポートし、レコメンデーションメトリクス間のランキング品質とパフォーマンスのギャップを識別する。

関連論文リスト

• UNIQUE: A Unified Retrieval and Ranking System for Large-Scale Feed Recommendation [4.938336007479786]
  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。
  論文  参考訳（メタデータ） (2026-09-20T15:54:06Z)
• RecGPT-Mobile-V2 Technical Report [22.10290138930905]
  RecGPT-Mobile-V2は、意図的品質と実行効率をステージド設計の目的として扱うエンドツーエンドフレームワークである。 このフレームワークは異種間相互作用をエビデンス保存軌道に変換し、ドメイン適応と教師付きアライメントを通じてレコメンデーションネイティブ基盤を確立する。 オンライン検索分析では、クエリリコールチャネルは、確立されたリコールチャネルによってサーフェスされたインベントリに補完されるインベントリを検索することを示している。
  論文  参考訳（メタデータ） (2026-08-25T09:23:17Z)
• DREAM Technical Report [53.37525197047151]
  DREAMは、既存のパイプラインの上に認識認識、オーケストレーション、監査可能なポリシ層を追加し、それを置き換えることなく、自律的な最適化制御アーキテクチャである。 DREAMには2つのコアコンポーネントがある。まず、3層Intent Engineはデバイス上の信号を構造化されたL0/L1/L2インテント表現に融合する。エッジクラウドトリガーチェーンはレポートのボリュームを約8.7%に削減する。 第2に、Meta EngineはMetaModelを使って、層状M1-to-M2-to-M3推論(インテントの要約、ストラテジーメモリに通知されるストラテジープランニング、パラメータ変換など)を定式化したM1-to-M2-to-M3推論に使用します。
  論文  参考訳（メタデータ） (2026-08-10T10:35:32Z)
• 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)
• MiniOneRec: An Open-Source Framework for Scaling Generative Recommendation [44.05859062614669]
  MiniOneRecは、最初の完全なオープンソースジェネレーティブレコメンデーションフレームワークである。 SID構築にまたがるエンドツーエンドワークフロー、教師付き微調整、レコメンデーション指向の強化学習を提供する。 実験の結果,モデルサイズの増加に伴い,トレーニングと評価の両方の損失が一貫した下降傾向を示した。
  論文  参考訳（メタデータ） (2025-10-28T13:58:36Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)

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。