論文の概要: LIFT: A Lifecycle-aware Interaction Factorization Transformer for Unified Retrieval and Ranking

• arxiv url: http://arxiv.org/abs/2610.10556v1
• Date: Tue, 29 Sep 2026 05:50:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.553373
• Title: LIFT: A Lifecycle-aware Interaction Factorization Transformer for Unified Retrieval and Ranking
• Title（参考訳）: LIFT: 統一検索とランク付けのためのライフサイクル対応インタラクションファクトリゼーション変換器
• Abstract要約: カスケードレコメンダシステムは、検索とランキングに同じユーザー履歴を使用し、2つのステージは相互作用の異なるポイントで異なる情報にアクセスすることができる。 本稿では,各インタラクションを順序づけられたリクエスト,アイテム,コンテキスト,アクション状態に分解し,因果配列としてモデル化するライフサイクル対応インタラクションファクトリゼーション変換器(LIFT)を提案する。
• 参考スコア（独自算出の注目度）: 9.52283988522535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cascaded recommender systems use the same user history for retrieval and ranking, while the two stages have access to different information at different points of an interaction. We propose the Lifecycle-aware Interaction Factorization Transformer (LIFT), which decomposes each interaction into ordered Request, Item, Context, and Action states and models them as a causal sequence. Retrieval reads the Request state, while ranking reads the Context state, allowing both tasks to share history modeling while preserving stage-specific information. LIFT instantiates this representation with Role-Conditioned Attention and a lightweight Pre-LN Bias. On ML-20M and Taobao, LIFT achieves the highest Joint Score among the evaluated joint models, improving over the strongest baselines by 4.9% and 3.6%, respectively. Loss-weight sweeps show favorable retrieval--ranking trade-offs, while ablations and scaling analyses further examine lifecycle sequence construction, model components, and capacity settings.
• Abstract（参考訳）: カスケードレコメンダシステムは、検索とランキングに同じユーザー履歴を使用し、2つのステージは相互作用の異なるポイントで異なる情報にアクセスすることができる。 本稿では,各インタラクションを順序づけられたリクエスト,アイテム,コンテキスト,アクション状態に分解し,因果配列としてモデル化するライフサイクル対応インタラクションファクトリゼーション変換器(LIFT)を提案する。 Retrievalはリクエスト状態を読み、ランキングはContext状態を読み、両方のタスクがステージ固有の情報を保持しながら履歴モデリングを共有することができる。 LIFT はこの表現を Role-Conditioned Attention とライトウェイトな Pre-LN Bias でインスタンス化する。 ML-20Mとタオバオでは、LIFTは評価されたジョイントモデルの中で最も高いジョイントスコアを獲得し、最強のベースラインをそれぞれ4.9%、そして3.6%改善した。 ロスウェイト・スイープでは、検索レベルのトレードオフが好適である一方で、ライフサイクルシーケンスの構成やモデルコンポーネント、キャパシティ設定についても、改善とスケーリング分析が検討されている。

関連論文リスト

• PI2I: A Personalized Item-Based Collaborative Filtering Retrieval Framework [15.34118278015945]
  項目間協調フィルタリング(CF)のパーソナライズ機能を向上させる新しい2段階検索フレームワークを提案する。 第1回Indexer Building Stage (IBS)では、トラクション閾値を緩和して検索プールを最適化し、ヒット率を最大化する。 第2回Personalized Retrieval Stage (PRS)では,内部積計算の限界を克服する対話型スコアリングモデルを導入する。 大規模な実世界のデータセットに対するオフライン実験は、PI2Iが従来のCFメソッドよりも優れており、Two-Towerモデルと競合することを示している。
  論文  参考訳（メタデータ） (2026-01-23T15:10:39Z)
• Disentanglement Beyond Static vs. Dynamic: A Benchmark and Evaluation Framework for Multi-Factor Sequential Representations [14.972702558607557]
  6つの異なるデータセット間での複数要素の逐次的絡み合いを評価するための、最初の標準ベンチマークを導入する。 本研究では,潜伏次元を意味因子と自動的に整列するポストホック潜伏探索段階を提案し,最先端の成果を達成できるクープマンモデルを提案する。 私たちのコードはGitHubで、データセットとトレーニングされたモデルはHugging Faceで利用可能です。
  論文  参考訳（メタデータ） (2025-10-20T08:58:23Z)
• Optimizing Compound Retrieval Systems [30.21938278062652]
  本稿では,複数の予測モデルを適用したより広範な検索システムとして,複合検索システムの概念を提案する。 我々は,従来のBM25検索モデルと最先端(ペアワイズ)のLLM関連予測を組み合わせた複合手法を提案する。 実験の結果,最適化された複合検索システムは,カスケード手法よりも効率と効率のトレードオフが優れていることがわかった。
  論文  参考訳（メタデータ） (2025-04-16T13:18:16Z)
• Reinforcing Compositional Retrieval: Retrieving Step-by-Step for Composing Informative Contexts [67.67746334493302]
  大規模言語モデル(LLM)は、多くのタスクにまたがる顕著な機能を示してきたが、複雑なタスクを扱うために外部のコンテキストに依存していることが多い。 我々は、このプロセスをマルコフ決定プロセス(MDP)としてモデル化するトリエンコーダシーケンシャルレトリバーを提案する。 提案手法は,サンプル間の依存関係を明示的にモデル化することの重要性を強調し,ベースラインを一貫して大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2025-04-15T17:35:56Z)
• MultiConIR: Towards multi-condition Information Retrieval [38.864056667809095]
  MultiConIRは、複雑なマルチ条件クエリシナリオ下での検索および再ランクモデルの評価のために設計されたベンチマークである。 ほとんどのレトリバーとリランカは、クエリの複雑さが増大するにつれて、パフォーマンスが大幅に低下する。 この研究は、リランカの性能劣化の原因を解明し、クエリ内の条件位置が類似性評価にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2025-03-11T05:02:03Z)
• Sequential Recommendation with Auxiliary Item Relationships via Multi-Relational Transformer [74.64431400185106]
  逐次レコメンデーション(SR)のための補助項目関係をモデル化可能なマルチリレーショナルトランスを提案する。 具体的には,任意の項目関係と項目関係の重み付けを組み込んだ新たな自己注意モジュールを提案する。 第3に、シーケンス間アイテム関係ペアに対して、新しいシーケンス間アイテムモデリングモジュールを導入する。
  論文  参考訳（メタデータ） (2022-10-24T19:49:17Z)
• Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking [56.80065604034095]
  我々は,クエリとユーザが関連すると考えるドキュメントとの類似性に基づいて,文書を再参照するkNNアプローチを提案する。 異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。
  論文  参考訳（メタデータ） (2022-10-19T16:19:37Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。