論文の概要: Progressive Learning from Content to Relevance to Personalization for CTR Prediction

• arxiv url: http://arxiv.org/abs/2610.29138v1
• Date: Wed, 21 Oct 2026 03:19:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.188735
• Title: Progressive Learning from Content to Relevance to Personalization for CTR Prediction
• Title（参考訳）: CTR予測におけるコンテンツからパーソナライズへの進歩的学習
• Abstract要約: FineSIDは、コンテンツトークン化、クエリ-itemセマンティック事前トレーニング、パーソナライズされたポストトレーニングを統合する学習フレームワークである。 FineSIDは製品内における創造的差別を改善し、その意味的な一般化を従来のID記憶を超えて証明する。
• 参考スコア（独自算出の注目度）: 7.3106459401707475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal click-through rate (CTR) prediction is central to search systems, where ranking depends on item content, query relevance, and user preference. Existing approaches incorporate content through dense embeddings or coarse discrete IDs, yet effectively integrating fine-grained heterogeneous content with ID-based predictors remains challenging. We propose FineSID, a progressive learning framework that unifies content tokenization, query--item semantic pretraining, and personalized post-training via a shared fine-grained discrete representation. Each stage optimizes an explicit objective while preserving token-level access to content. First, a pretrained multi-scale visual tokenizer and text tokenizers convert heterogeneous content into fine-grained Semantic IDs (SIDs), explicitly aligning them with the ID features. Second, full-parameter semantic pretraining under query--item relevance supervision establishes a robust matching prior, jointly optimizing the interactions of multimodal SIDs and conventional fields within a shared predictor. Third, this initialized predictor is directly fine-tuned with user click supervision to capture implicit personalized preferences. Extensive offline and online evaluations demonstrate substantial gains in both standard CTR prediction and core business metrics. Furthermore, FineSID improves within-product creative discrimination, demonstrating its semantic generalization beyond conventional ID memorization.
• Abstract（参考訳）: マルチモーダルクリックスルーレート(Multimodal click-through rate, CTR)予測は、アイテムの内容、クエリの関連性、ユーザの嗜好に依存する検索システムの中心である。 既存のアプローチでは、密埋め込みや粗い離散IDを通じてコンテンツを取り込むが、細粒度の不均一なコンテンツをIDベースの予測器と効果的に統合することは困難である。 本研究では,コンテンツトークン化,クエリ・イテム・セマンティック事前学習,パーソナライズされた個別表現による個別のポストトレーニングを統合化する,プログレッシブラーニングフレームワークであるFineSIDを提案する。 各ステージは、コンテンツへのトークンレベルのアクセスを保持しながら、明確な目的を最適化する。 まず、事前訓練されたマルチスケール・ビジュアル・トークンーザとテキスト・トークンーザが異種コンテンツをきめ細かなセマンティック・ID(SID)に変換する。 第2に、クエリ関連性監視下でのフルパラメータセマンティック事前学習は、マルチモーダルSIDと共有予測器内の従来のフィールドとの相互作用を協調的に最適化する、ロバストなマッチングを前もって確立する。 第3に、この初期化予測器は、暗黙のパーソナライズされた好みをキャプチャするために、ユーザークリックの監督と直接調整される。 大規模なオフラインおよびオンライン評価は、標準のCTR予測とコアビジネスメトリクスの両方で大幅に向上している。 さらに、FinSIDは製品内での創造的差別を改善し、従来のID記憶以上の意味的一般化を示す。

関連論文リスト

• PaletteID: Prototype-Composed Semantic Identifiers for Multimodal CTR Prediction [10.171011265484326]
  プロトタイプベースのセマンティック識別子であるPaletteIDを提案する。 パレットベースのカラー合成にインスパイアされたPIDは、セマンティックアンカーとして、コンパクトなプロトタイプアイテムセットを使用する。 PIDは一貫してCTR予測を改善し、ロングテールアイテムに対して大きな利得を得る。
  論文  参考訳（メタデータ） (2026-07-31T03:54:38Z)
• Beyond Semantic IDs: Encoding Business-Value Ranking into Document Identifiers for Generative Retrieval [28.485766948414206]
  Generative Retrieval (GR) は、シーケンシャル・ツー・シーケンス生成タスクとして検索を定式化し、各ドキュメントにドキュメント識別子(DocID)を割り当て、自動回帰復号による検索を行う。 離散表現学習に基づく既存のスキームは、固有の衝突問題に悩まされる。 本稿では、DocIDをセマンティッククラスタリングとビジネス価値ランキングに分離し、衝突のない識別子を生成するCRID(Cluster-Ranked Identifier)を提案する。
  論文  参考訳（メタデータ） (2026-07-13T10:57:20Z)
• DSIRM: Learning Query-Bridged Discrete Semantic Identifiers for E-commerce Relevance Modeling [3.0848956918142605]
  本稿では,クエリブリッジ型コントラスト量子化手法を提案する。 一方、クエリ側で生成するLCMを探索し、テキストからアイテムSIDを明示的に予測する。 提案手法は,オフラインAUCを+1.54%改善し,より良い結果を得た。
  論文  参考訳（メタデータ） (2026-06-03T02:42:52Z)
• Unleash the Potential of Long Semantic IDs for Generative Recommendation [5.6264583086973685]
  ACERecは、きめ細かいトークン化と効率的なシーケンシャルモデリングのギャップを分離する新しいフレームワークである。 6つの実世界のベンチマークにおいて、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-14T03:15:31Z)
• Learning Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation [55.99632509895994]
  マルチアスペクトセマンティックトークン化のための新しいアプローチであるLAMIAを紹介する。 単一の埋め込みを使用するRQ-VAEとは異なり、LAMIAは独立的でセマンティックな並列な埋め込みの集合である「アイテムパレット」を学習する。 その結果,提案手法よりも提案手法の精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-11T13:49:48Z)
• Language Models As Semantic Indexers [78.83425357657026]
  本稿では,ジェネレーティブ言語モデルを用いてセマンティックIDを学習するための自己教師型フレームワークLMIndexerを紹介する。 学習したIDの質を検証し,推奨,製品検索,文書検索の3つの課題において有効性を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:56:15Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)

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。