論文の概要: Hierarchical GTV Estimation: Bridging the Gap between Container-Level Ranking and Item-Level Conversion

• arxiv url: http://arxiv.org/abs/2610.32420v1
• Date: Fri, 23 Oct 2026 09:50:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.450631
• Title: Hierarchical GTV Estimation: Bridging the Gap between Container-Level Ranking and Item-Level Conversion
• Title（参考訳）: 階層的GTV推定:コンテナレベルランキングとアイテムレベル変換のギャップを埋める
• Abstract要約: ライブストリーミングとO2O(Online-to-Offline)サービスは、"Container-based"ディスプレイパラダイムの下で運用されている。 この設定では、プラットフォームはコンテナレベルでランキングと推定を実行しますが、実際のトランザクションはコンテナ内のアイテムレベルで発生します。 本稿では,これらの課題に対処するため,階層型GTV推定(HGE)という新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.585060816432856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emerging e-commerce platforms, such as live-streaming and Online-to-Offline (O2O) services, inherently operate under a "Container-based" display paradigm. In this setting, a critical granularity mismatch exists: the platform performs ranking and estimation at the container level (e.g., livestream rooms or stores), whereas the actual transactions occur at the item level within these containers. This structural discrepancy complicates Gross Transaction Value (GTV) estimation, introducing unique challenges including high label variance, severe label sparsity, and dynamic item heterogeneity. To address these challenges, we propose a novel framework named Hierarchical GTV Estimation (HGE). HGE employs a Hybrid Set-Aware Encoder (HSAE) to model the dynamic composition of items and feature interactions. To mitigate label variance, we introduce a Proxy-Label Learning (PLL) strategy that decomposes post-click GTV into purchase probability, quantity, and unit price. Furthermore, a Residual Correction and Ensemble Fusion (RCEF) module is designed to handle label sparsity by effectively combining item-level aggregation with container-level inference. Extensive experiments on large-scale industrial datasets demonstrate that HGE significantly outperforms state-of-the-art baselines, achieving a +0.63% lift in XAUC offline and a +1.42% increase in Revenue Per Search (RPS) in online A/B tests. HGE framework has been fully deployed into our main traffic.
• Abstract（参考訳）: ライブストリーミングやO2O(Online-to-Offline)サービスなどの新興eコマースプラットフォームは、本質的に“コンテナベースの”ディスプレイパラダイムの下で運用されている。 この設定では、重要な粒度のミスマッチが存在し、プラットフォームはコンテナレベル(例えば、ライブストリームルームやストア)でランキングと推定を行い、実際のトランザクションはコンテナ内のアイテムレベルで行われる。 この構造的不一致はGross Transaction Value (GTV)の推定を複雑にし、高いラベルのばらつき、厳密なラベルの分散、動的項目の不均一性といったユニークな課題を提起する。 これらの課題に対処するため,階層型GTV推定(HGE)という新しいフレームワークを提案する。 HGEはHybrid Set-Aware Encoder (HSAE)を使用して、アイテムと機能相互作用の動的構成をモデル化している。 ラベルのばらつきを軽減するために、クリック後GTVを購入確率、量、単価に分解するプロキシラベル学習(PLL)戦略を導入する。 さらに、Residual Correction and Ensemble Fusion (RCEF)モジュールは、アイテムレベルの集約とコンテナレベルの推論を効果的に組み合わせることで、ラベルの疎結合を処理するように設計されている。 大規模産業データセットの大規模な実験により、HGEは最先端のベースラインを著しく上回り、XAUCでは+0.63%上昇し、オンラインA/Bテストでは+1.42%上昇した。 HGEフレームワークは、私たちの主要なトラフィックに完全にデプロイされています。

関連論文リスト

• WEFT: Scaling Tool-Use Post-Training for General-Purpose Agents [83.57238211078025]
  WEFTは、環境幅、タスクの複雑さ、相互作用の多様性にまたがるエージェントインタラクションシステムの構築をスケールする。 大規模で安定した後トレーニングでは、WEFTは最適化と実行の信頼性の両方に対処する。 様々なモデルとベンチマークによる実験は、ツール使用後のトレーニングにおけるWEFTの有効性を示す。
  論文  参考訳（メタデータ） (2026-09-29T07:14:53Z)
• Beyond Co-purchase Relation: Evolution of Complementary Recommendations at Allegro [36.94429692322632]
  AlleCompanion: Allegro.comでデプロイされた実運用規模の検索フレームワークについて紹介する。 我々は,データレベルのフィルタリングとカテゴリ制約のTwo Towerアーキテクチャを組み合わせることで,大規模共購入トラフィックの固有ノイズを軽減する。 ComCatは、ノイズの多いトラフィックから意味のあるパターンを排除し、保守可能で制御可能なソリューションに変換層として機能する。
  論文  参考訳（メタデータ） (2026-09-04T12:25:56Z)
• CLAD: A Clustered Label-Agnostic Federated Learning Framework for Joint Anomaly Detection and Attack Classification [7.2780885662220065]
  Internet of Things(IoT)とIndustrial IoT(IIoT)は、巨大で異質なアタックサーフェスを作成しました。 本稿では,Clustered Federated Learning(CFL)を新しいDual-Mode Micro-Architectureにシームレスに組み込む,包括的なフレームワークであるCLADを提案する。
  論文  参考訳（メタデータ） (2026-05-07T17:01:19Z)
• UniDGF: A Unified Detection-to-Generation Framework for Hierarchical Object Visual Recognition [14.256812146187565]
  本稿では,階層的カテゴリと属性トークンを予測可能な検出誘導型生成フレームワークを提案する。 検出対象ごとに、精細なROIレベルの特徴を抽出し、BARTベースのジェネレータを用いて意味トークンを生成する。 大規模なプロプライエタリなeコマースデータセットとオープンソースデータセットの両方の実験は、我々のアプローチが既存の類似性ベースのパイプラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2025-11-20T02:37:43Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Cross-Platform E-Commerce Product Categorization and Recategorization: A Multimodal Hierarchical Classification Approach [34.02731156096853]
  電子商取引商品分類のためのマルチモーダル階層分類フレームワークを開発し,展開する。 階層型アーキテクチャにおける早期・後期・注目に基づく融合戦略について検討する。 結果として、CLIPの埋め込みは注意に基づく遅延融合戦略によって結合され、最も階層的なF1(98.59%)を達成し、単調なベースラインを上回る結果となった。
  論文  参考訳（メタデータ） (2025-08-27T16:16:12Z)
• Leveraging Instance Features for Label Aggregation in Programmatic Weak Supervision [75.1860418333995]
  Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。 PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。 既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
  論文  参考訳（メタデータ） (2022-10-06T07:28:53Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
  改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-11-25T02:18:33Z)

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。