論文の概要: HELIX: Purified and Unified - Rethinking Feature Interaction and Sequence Modeling for Large-Scale Recommendation

• arxiv url: http://arxiv.org/abs/2609.37183v1
• Date: Tue, 29 Sep 2026 10:06:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.408674
• Title: HELIX: Purified and Unified - Rethinking Feature Interaction and Sequence Modeling for Large-Scale Recommendation
• Title（参考訳）: HELIX: 大規模レコメンデーションのための機能インタラクションとシーケンスモデリングの再考
• Abstract要約: 大規模レコメンデーションのための浄化・統一アーキテクチャであるHELIXを提案する。 Helixは、オフラインのCTR AUC、CVR AUC、その他のランキングメトリクスを継続的に改善している。 オンラインA/Bテストでは、ユーザ当たりのEコマースビデオGMVが約6%増加した。
• 参考スコア（独自算出の注目度）: 19.79703207343657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial recommendation ranking models typically scale along two modeling axes: feature interaction over heterogeneous user, item, context, and cross features, and sequence modeling over long, informative, and multi-type user behavior histories. We find that scaling either capability in isolation is insufficient, as each exhibits a limited scaling ceiling and a suboptimal scaling-law slope. We conjecture that achieving a more favorable scaling-law slope requires jointly scaling both axes. To support this, we present HELIX, a purified and unified architecture for large-scale recommendation. HELIX interleaves sequence retrieval and feature interaction while enforcing one-way information flow from reusable sequence states to candidate-conditioned mix-tokens. This design preserves cross-depth communication between the two modeling axes while keeping user-side sequence computation amortizable, enabling flexible and asymmetric scaling of sequence modeling and feature interaction. Deployed in TikTok's e-commerce recommendation system, HELIX consistently improves offline CTR AUC, CVR AUC, and other ranking metrics. In online A/B tests, it achieves an approximately 6% increase in e-commerce video GMV per user.
• Abstract（参考訳）: 産業レコメンデーションランキングモデルは通常、2つのモデリング軸に沿ってスケールする:不均一なユーザー、アイテム、コンテキスト、横断的な特徴に対する機能相互作用、長い、情報的、多種類のユーザー行動履歴に対するシーケンスモデリング。 それぞれが限定的なスケーリング天井と準最適スケーリング法傾斜を示すため,分離した状態でのスケーリング能力は不十分であることがわかった。 我々は、より好ましいスケーリング法則勾配を達成するためには、両方の軸を共同でスケーリングする必要があると推測する。 これをサポートするために,大規模レコメンデーションのための浄化・統一アーキテクチャであるHELIXを提案する。 HELIXは、再利用可能なシーケンス状態から候補条件のミックストークンまでの一方向情報の流れを保ちながら、シーケンス検索と特徴相互作用をインターリーブする。 この設計は、2つのモデリング軸間の相互通信を維持しながら、ユーザ側のシーケンス計算を再現可能とし、フレキシブルかつ非対称なシーケンスモデリングと特徴相互作用のスケーリングを可能にする。 TikTokのeコマースレコメンデーションシステムにデプロイされたHELIXは、オフラインのCTR AUC、CVR AUC、その他のランキングメトリクスを継続的に改善する。 オンラインA/Bテストでは、ユーザ当たりのEコマースビデオGMVが約6%増加した。

関連論文リスト

• User-Centric Modeling of Transactional Sequences with Explainable State Space Models [0.0]
  コントラスト表現学習(CoLES)と状態空間モデル(SSM)を組み合わせた,トランザクションイベントシーケンスのユーザ中心モデリングのためのハイブリッドアプローチを提案する。 3つの公開データセットの実験では、線形分類器によるスタンドアロンのMambaとCoLESに対する一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-07-22T14:47:25Z)
• Action-Aware Generative Sequence Modeling for Short Video Recommendation [50.74467504063892]
  ショートビデオには様々な部分が含まれており、ユーザーはそれらすべてに対して同じ態度を取ることはできない。 従来のバイナリ分類レコメンデーションモデルは、ビデオを単一の全体的エンティティとして扱うが、そのような微妙な好みを正確に捉えるには限界に直面している。 本稿では,時間的次元に沿ってユーザアクションを洗練させる行動認識生成系列ネットワーク(A2Gen)を提案する。
  論文  参考訳（メタデータ） (2026-04-28T16:41:04Z)
• TokenFormer: Unify the Multi-Field and Sequential Recommendation Worlds [17.505701673051405]
  TokenFormerは、以下のイノベーションを取り入れた統合されたレコメンデーションアーキテクチャである。 まず,ボトムフルト・トップ・スライディング(BFTS:Bottom-Full-Top-Sliding)アテンションスキームを導入する。 第2に,非線形相互作用表現(NLIR)を導入し,一方の非線形乗算変換を隠れ状態に適用する。
  論文  参考訳（メタデータ） (2026-04-15T11:25:46Z)
• Query-Mixed Interest Extraction and Heterogeneous Interaction: A Scalable CTR Model for Industrial Recommender Systems [6.312847671238921]
  HeMixは適応シーケンストークン化と異種相互作用構造を統合するスケーラブルなランキングモデルである。 HeMixはAMAPプラットフォームにデプロイされ、DLRMよりも3.61%のGMV、+2.78%のPV_CTR、+2.12%のUV_CVRをオンラインで提供する。
  論文  参考訳（メタデータ） (2026-02-10T03:56:14Z)
• HyFormer: Revisiting the Roles of Sequence Modeling and Feature Interaction in CTR Prediction [8.97787361529607]
  本稿では,HyFormerについて述べる。HyFormerは1つのバックボーンに長周期モデリングと特徴相互作用を密に統合するハイブリッドトランスフォーマーアーキテクチャである。 数十億の産業データセットに関する実験は、HyFormerが強いLONGERとRanMixerのベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-01-19T02:55:05Z)
• Higher-order Linear Attention [59.92962330635185]
  スケールされたドット積の注意の二次コストは、自己回帰言語モデルを長いコンテキストにスケールするための中心的な障害である。 本稿では,高次線形注意(Higher-order Linear Attention, HLA)を提案する。
  論文  参考訳（メタデータ） (2025-10-31T07:54:37Z)
• FuXi-$α$: Scaling Recommendation Model with Feature Interaction Enhanced Transformer [81.12174905444229]
  近年の進歩は、大規模レコメンデーションモデルに逐次レコメンデーションモデルを拡張することが効果的な戦略であることを示している。 これらの問題に対処するために、FuXi-$alpha$と呼ばれる新しいモデルを提案する。 我々のモデルは既存のモデルよりも優れており、モデルのサイズが大きくなるにつれてその性能は継続的に向上する。
  論文  参考訳（メタデータ） (2025-02-05T09:46:54Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• Crowd Counting via Hierarchical Scale Recalibration Network [61.09833400167511]
  本稿では,群集カウントの課題に取り組むために,階層型大規模校正ネットワーク(HSRNet)を提案する。 HSRNetは、リッチなコンテキスト依存をモデル化し、複数のスケール関連情報を再検討する。 提案手法は,様々なノイズを選択的に無視し,適切な群集スケールに自動的に焦点を合わせることができる。
  論文  参考訳（メタデータ） (2020-03-07T10:06:47Z)

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。