論文の概要: EASformer: Environment-Action-State Alignment for Industrial Generative Ranking
- arxiv url: http://arxiv.org/abs/2610.27691v1
- Date: Tue, 20 Oct 2026 06:08:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.668183
- Title: EASformer: Environment-Action-State Alignment for Industrial Generative Ranking
- Title（参考訳）: EASformer: 産業生産ランク付けのための環境対応状態アライメント
- Abstract要約: EASformerは,産業用アプリケーションランキングのための環境-環境-状態不整合アーキテクチャである。
EASformerは、補完的な過去のアクション検索と状態条件のアクション予測を可能にする。
実世界の産業用アプリケーションマーケットプレースのオフラインベンチマークでは、EASformerは0.89411のAUCを達成し、デプロイされたベースラインに対して0.88%の相対的な改善を実現している。
- 参考スコア（独自算出の注目度）: 13.802391609401447
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern industrial ranking systems increasingly adopt generative recommendation (GR) paradigms, in which user behavior sequences and non-sequential (NS) features are tokenized and jointly modeled by Transformer-style backbones. This unified formulation provides a scalable interface for modeling long histories and heterogeneous features. However, sequence and NS representations often carry asymmetric semantics: historical representations may combine environment context with observed-action semantics, whereas candidate-side NS representations contain no observed action but incorporate richer supplementary context, such as user-item interaction features and recent behavior lists. Direct interaction between such representations can make query-key dot products compare different semantic objects, limiting meaningful cross-token interaction. To fill this gap, we propose EASformer, an Environment-Action-State disentangled architecture for industrial app ranking. EASformer constructs an explicitly aligned context environment space shared by historical and non-sequence tokens, while disentangling user actions from historical token and candidate-specific context form non-sequence tokens. Based on this aligned space, EASformer enables complementary historical action retrieval and state-conditioned action prediction. Furthermore, the disentangled design supports a Cloze-style self-supervised objective by masking historical actions and reusing the candidate prediction pathway. On an offline benchmark from a real-world industrial app marketplace, EASformer achieves an AUC of 0.89411, yielding a 0.88% relative improvement over the deployed baseline. Online A/B tests further support this advantage, with relative eCPM lifts of 1.26% and 3.94% across two real-world ranking scenarios.
- Abstract（参考訳）: 現代の産業ランキングシステムは、トランスフォーマースタイルのバックボーンによって、ユーザ行動シーケンスと非シーケンス(NS)特徴がトークン化され、共同でモデル化される、ジェネレーティブレコメンデーション(GR)パラダイムを採用する傾向にある。
この統一的な定式化は、長い歴史と不均一な特徴をモデリングするためのスケーラブルなインターフェースを提供する。
しかし、シーケンスとNS表現は非対称な意味論をしばしば含んでいる: 歴史的表現は環境コンテキストと観察されたアクションの意味論を結合するが、一方、候補側NS表現は観察されたアクションを含まないが、ユーザ・イテムの相互作用特徴や最近の行動リストのようなより豊かな補足的文脈を取り入れている。
このような表現間の直接的な相互作用により、クエリキードット製品は異なるセマンティックオブジェクトを比較し、意味のあるクロストークンインタラクションを制限することができる。
このギャップを埋めるために,産業用アプリケーションランキングのための環境-環境-状態不整合アーキテクチャであるEASformerを提案する。
EASformerは、履歴トークンと非シーケンストークンで共有される明示的に整合したコンテキスト環境を構築し、履歴トークンと候補固有のコンテキストからユーザアクションをアンタングル化して、非シーケンストークンを形成する。
この整合した空間に基づいて、EASformerは補完的な歴史的行動検索と状態条件の行動予測を可能にする。
さらに, ゆがんだ設計は, 歴史的行動を隠蔽し, 予測経路を再利用することで, クローゼスタイルの自己監督的目的をサポートする。
実世界の産業用アプリケーションマーケットプレースのオフラインベンチマークでは、EASformerは0.89411のAUCを達成し、デプロイされたベースラインに対して0.88%の相対的な改善を実現している。
オンラインA/Bテストは2つの実世界のランキングシナリオで1.26%と3.94%の相対的なeCPMリフトでこの利点をさらに支持している。
関連論文リスト
- UniCon: A Unified Context-Centric Modeling Paradigm for CTR Prediction [7.929681964302929]
本稿では,要求コンテキストを基本モデリング単位として扱う,統合されたコンテキスト中心モデリングアーキテクチャを提案する。
UniConはオフラインのAUCを0.0139改善し、RPMの3.09%、CTRの2.07%、収益の2.95%という統計的に重要なオンラインリフトを達成した。
論文 参考訳（メタデータ） (2026-09-03T02:33:12Z) - Guess Where You Go: Generative Next Point-of-Interest Recommendation in Amap [12.259216278301743]
本稿では,意味的識別子(SID)生成と生成的ポイント・オブ・インテリジェンス(POI)レコメンデーションを統合するエンド・ツー・エンドの産業フレームワークを提案する。
GwhereはAmapのホームページサービスに,高コンカレンシーと低レイテンシの制約の下でデプロイされる。
長期のオンラインA/Bテストでは、P-CTRが5.83%、U-CTRが6.20%改善された。
論文 参考訳（メタデータ） (2026-07-13T15:44:06Z) - Structuring and Tokenizing Distributed User Interest Context for Generative Recommendation [60.03046892817763]
ジェネレーティブレコメンデーションは、産業レコメンデーションシステムにおける約束を示す新興パラダイムである。
既存の手法は、複雑なユーザビヘイビアとアイテムセマンティックのコンテキストを同時にレコメンデーションモデルに注入するのに苦労することが多い。
本稿では,G2Recを提案する。G2Recは,汎用的なグラフベースユーザ統合モデリングとセマンティックトークン化を一体化して,産業規模の生成レコメンデーションを実現するスケーラブルなフレームワークである。
論文 参考訳（メタデータ） (2026-06-18T17:58:32Z) - Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
VLM(Vision-Language Models)は、医療や金融といったプライバシに敏感な分野において大きな可能性を秘めている。
ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを組み合わせた協調アライメントフレームワークであるMoRを提案する。
MoRは、一般化とクロスクライアント適応性において、フェデレートされたアライメントベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-05-05T07:02:50Z) - From Local Indices to Global Identifiers: Generative Reranking for Recommender Systems via Global Action Space [50.72071213515985]
GloRankは、ローカルインデックスの選択からグローバル識別子の生成に移行する、ジェネレーティブなフレームワークである。
我々はGloRankが最先端のベースラインを一貫して上回り、コールドスタートシナリオにおいて優れたロバスト性を実現することを示す。
論文 参考訳（メタデータ） (2026-04-28T06:57:00Z) - Query as Anchor: Scenario-Adaptive User Representation via Large Language Model [28.30329175937291]
静的エンコーディングから動的クエリ認識合成へユーザモデリングをシフトするフレームワークであるQuery-as-Anchorを提案する。
まず,産業規模の事前学習データセットであるUserUを構築し,行動系列とユーザ理解のセマンティクスを整合させる。
クラスタベースのSoft Prompt Tuningを導入し、識別潜在構造を強制する。
デプロイメントでは、シーケンスターミニでのクエリのアンカーにより、無視可能なインクリメンタルレイテンシでKVキャッシュを加速する推論が可能になる。
論文 参考訳（メタデータ） (2026-02-16T06:09:31Z) - GLASS: A Generative Recommender for Long-sequence Modeling via SID-Tier and Semantic Search [51.44490997013772]
GLASSは、SID-TierとSemantic Searchを通じて、長期的なユーザ関心を生成プロセスに統合する新しいフレームワークである。
GLASSは2つの大規模実世界のデータセットの実験において最先端のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2026-02-05T13:48:33Z) - CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation [55.783414010717074]
CoFiRecは、アイテム情報をセマンティックレベルに分解する新しい生成レコメンデーションフレームワークである。
我々は、CoFiRecが既存の手法より優れており、ジェネレーティブレコメンデーションの新しい視点を提供することを示す。
論文 参考訳（メタデータ） (2025-11-27T18:59:35Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z)
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。