論文の概要: Unified Heterogeneous Feature Interaction via Effective-Rank Scaling for Recommender Systems

• arxiv url: http://arxiv.org/abs/2610.35318v2
• Date: Tue, 27 Oct 2026 03:32:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.17453
• Title: Unified Heterogeneous Feature Interaction via Effective-Rank Scaling for Recommender Systems
• Title（参考訳）: リコメンダシステムのための有効ランクスケーリングによる統一的不均一な特徴相互作用
• Abstract要約: HiRankは、異種機能インタラクションを共同でモデル化するマルチシナリオレコメンデーションのための統合フレームワークである。 産業規模のデータセットに関する実験は、良好なパフォーマンスのスケーリングを示している。 さらにオンラインA/Bテストでは、ユーザ当たりの注文数が2.27%増加した。
• 参考スコア（独自算出の注目度）: 22.578368568297986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale industrial ranking models must jointly capture heterogeneous feature interactions, long-term user behaviors, and multi-scenario dependencies under stringent online serving constraints. Existing architectures typically process sequential and non-sequential features with separate modules, limiting bidirectional information exchange. Directly applying homogeneous self-attention to all semantic tokens can also be inefficient when sequential and non-sequential signals exhibit different effective-ranks (eRanks). Meanwhile, shared representations can overlook scenario-specific patterns and induce negative transfer between scenarios. In this paper, we propose HiRank, a unified framework for multi-scenario recommendation that jointly models Heterogeneous feature Interactions via effective-Rank scaling. HiRank integrates gated sequential attention with heterogeneous feature interaction within a unified backbone, enabling bidirectional fusion between sequential and non-sequential representations. HiRank further uses scenario-aware aggregation to compress heterogeneous low-order tokens into a compact representation. Distinct learned projections transform the full compact representation into scenario-aware composite tokens with complementary global feature views and more uniform information density, enabling more effective high-order self-attention. Extensive experiments on industrial-scale datasets demonstrate favorable performance scaling with parameter count and consistent improvements over competitive baselines. Online A/B tests further show a 2.27% increase in orders per user.
• Abstract（参考訳）: 大規模産業ランキングモデルは、厳密なオンラインサービス制約の下で、異種機能相互作用、長期的なユーザ行動、およびマルチシナリオ依存関係を共同でキャプチャする必要がある。 既存のアーキテクチャは通常、異なるモジュールでシーケンシャルおよび非シーケンシャルな特徴を処理し、双方向の情報交換を制限する。 シーケンシャルおよび非シークエンシャル信号が異なる有効ランク(eRanks)を示す場合、すべての意味トークンに均一な自己アテンションを直接適用することは非効率である。 一方、共有表現はシナリオ固有のパターンを見落とし、シナリオ間の負の転送を引き起こす。 本稿では,多シナリオ推薦のための統合フレームワークであるHiRankを提案する。 HiRankは、ゲートされたシーケンシャルな注意と、統一されたバックボーン内での不均一な特徴的相互作用を統合し、シーケンシャルと非シーケンシャルな表現の双方向な融合を可能にする。 HiRankはさらにシナリオ対応アグリゲーションを使用して、異種低階トークンをコンパクトな表現に圧縮する。 離散学習プロジェクションは、完全なコンパクト表現を、補完的なグローバルな特徴ビューとより均一な情報密度を持つシナリオ対応複合トークンに変換し、より効果的な高次自己認識を可能にする。 産業規模のデータセットに関する大規模な実験は、パラメータカウントによる良好なパフォーマンススケーリングと、競合するベースラインよりも一貫した改善を示している。 さらにオンラインA/Bテストでは、ユーザ当たりの注文数が2.27%増加した。

関連論文リスト

• Rethinking Convolutional Networks for Attribute-Aware Sequential Recommendation [6.846413131554734]
  属性対応シーケンシャルレコメンデーションでは、ユーザが過去のインタラクションの時系列的に順序付けられた履歴に基づいて、次に対話するアイテムを予測する。 既存の方法は典型的には、シーケンス全体を統一表現に集約するために自己認識機構を利用する。 本稿では,畳み込み層を階層的かつ低スケールに利用して,コンパクトかつ表現力のあるシーケンス表現を生成するConvRecを提案する。
  論文  参考訳（メタデータ） (2026-05-06T10:18:43Z)
• 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)
• Cross-Representation Knowledge Transfer for Improved Sequential Recommendations [0.5130440339897478]
  本稿では,変圧器とグラフニューラルネットワークを組み合わせた新しいフレームワークを提案する。 我々のソリューションは、相互作用グラフの構造的依存関係を同時にエンコードし、それらの動的変化を追跡する。 多くのオープンデータセットに対する実験結果から、提案フレームワークは、推奨品質の観点から、純粋シーケンシャルとグラフアプローチの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-26T20:03:23Z)
• 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)
• Multi Activity Sequence Alignment via Implicit Clustering [50.3168866743067]
  暗黙のクラスタリングによるシーケンスアライメントによる制約を克服する新しいフレームワークを提案する。 具体的には、列内のフレームをアライメントしながら、暗黙的なクリップレベルのクラスタリングを行うという考え方です。 実験の結果,提案手法は最先端の結果よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-16T14:28:46Z)
• Unifying Feature and Cost Aggregation with Transformers for Semantic and Visual Correspondence [51.54175067684008]
  本稿では,高密度マッチングタスク用に設計されたTransformerベースの積分機能とコスト集約ネットワークを提案する。 まず, 特徴集約とコスト集約が異なる特徴を示し, 双方の集約プロセスの司法的利用から生じる実質的な利益の可能性を明らかにした。 本フレームワークは意味マッチングのための標準ベンチマークで評価され,また幾何マッチングにも適用された。
  論文  参考訳（メタデータ） (2024-03-17T07:02:55Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• 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。