論文の概要: RELAY: One Query, Two Roles for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2610.36000v1
• Date: Mon, 26 Oct 2026 13:44:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.385385
• Title: RELAY: One Query, Two Roles for Sequential Recommendation
• Title（参考訳）: RELAY: シーケンスレコメンデーションにおける2つの役割
• Abstract要約: シークエンシャルレコメンデーションは、正確なランキングを提供するために、意味的嗜好と行動的関連性を組み合わせる必要がある。 本稿では,1つのクエリを中心に構築されたコンパクトなシーケンシャルレコメンデータRELAYについて紹介する。 2.044万の予測パラメータで、RELAYは予測値のサイズを65.12%削減し、以前の最良のモデルよりも1.751.79$times$推論スピードアップを達成する。
• 参考スコア（独自算出の注目度）: 6.512147941188453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential recommendation must combine semantic preferences with behavioral associations to deliver accurate rankings at low inference cost. Sharing history selection connects preference representation directly to the behavioral evidence used in candidate scoring. We present RELAY, a compact sequential recommender built around one query, two roles: semantic readout and behavioral-memory routing. A single learned query forms a semantic preference representation and reuses its attention to route direct-history and transition evidence into candidate scores. Candidate-conditioned gates calibrate the two memory channels for each candidate. RELAY trains both roles with a single catalog likelihood and produces the final ranking in one forward pass. Full-catalog experiments on six datasets show that RELAY achieves the highest Recall@5 and NDCG@5 among the compared methods on every dataset, improving over the previous best model by 14.22% and 17.88% on average. With 2.044 million predictor parameters, RELAY reduces predictor size by 65.12% and achieves a 1.75~1.79$\times$ inference speedup over the previous best model.
• Abstract（参考訳）: シークエンシャルレコメンデーションは、推論コストの低い正確なランキングを提供するために、意味的嗜好と行動関連性を組み合わせる必要がある。 共有履歴選択は、選好表現と、候補スコアリングで使用される行動証拠を直接結合する。 本稿では,1つのクエリを中心に構築されたコンパクトなシーケンシャルレコメンデータRELAYについて紹介する。 単一の学習されたクエリはセマンティックな選好表現を形成し、その注意をルートの直接史と移行証拠に再利用する。 候補条件付きゲートは、候補毎に2つのメモリチャネルを校正する。 RELAYは両ロールを1つのカタログで訓練し、最終順位を1回のフォワードパスで達成する。 6つのデータセットのフルカタログ実験により、RELAYは各データセットの比較手法の中で最も高いRecall@5とNDCG@5を達成し、前回のベストモデルよりも14.22%、平均17.88%改善した。 2.044万の予測パラメータで、RELAYは予測値のサイズを65.12%削減し、以前の最良のモデルよりも1.75~1.79$\times$推論スピードアップを達成する。

関連論文リスト

• Candidate-dependent residual routing trades top-of-list accuracy for recall in sequential recommendation [10.720985236309462]
  候補に依存したルーティングは、ユーザの過去の行動がスコアする項目ごとに異なるように、シーケンシャルなリコメンデータを重み付けする。 我々は,この柔軟性が,自覚的ベースラインに小さな残差ルーティングモジュールを追加することで有効かどうかを検証した。
  論文  参考訳（メタデータ） (2026-10-16T20:20:03Z)
• TRACE: Trajectory Selection for Parallel Scaling of Search Agents [12.022151537259296]
  TRACEは、彼らの答えの裏にある探索証拠を使って軌道を完了した。 TRACEは個々のクエリやエビデンスを保存し、共有コンテンツやドキュメントIDを通じてロールアウトを接続し、これらの関係をまたいだ情報を伝達する。 検索設定毎に1つのセレクタがロールアウトポリシーとエージェントバックボーンにまたがって転送される。
  論文  参考訳（メタデータ） (2026-09-30T15:06:01Z)
• RouteRec: Behavior-Guided Sparse Routing for Sequential Recommendation [9.885512038617902]
  本稿では,ルーティング基準として観測されたセッション動作を利用するシーケンシャルなレコメンデータであるRouteRecを提案する。 RouteRecは12位、第2位は3位で、全体の平均ランクは1.61である。 さらなる分析は、行動的手がかりが専門家の割り当てを付加能力を超えて導くことを示唆している。
  論文  参考訳（メタデータ） (2026-09-30T05:18:00Z)
• Query-aware Routing for Filtered Approximate Nearest Neighbors Search [2.121524887011041]
  フィルタされたANN探索は、現代のベクトルデータベースと検索拡張生成におけるコアプリミティブである。 我々は3つの述語の下で複数のデータセットにまたがる主要な分類的ANN手法の全てをベンチマークする。 軽量MLモデルは、クエリ上で各候補メソッドのリコールを予測する。 我々のルータは,5つの検証データセットのすべてに対して,最先端のリコールとQPSバランスを実現していることを示す。
  論文  参考訳（メタデータ） (2026-06-18T07:54:12Z)
• Putting HUMANS first: Efficient LAM Evaluation with Human Preference Alignment [53.72927532626824]
  わずか50個のサンプル(0.3%のデータ)のサブセットは、完全なベンチマークスコアと0.93以上のピアソン相関を達成可能であることを示す。 選好をより良く予測するために、選択したサブセットの回帰モデルを訓練し、0.98の相関を達成した。 これは回帰モデリングにおいて、よく計算されたサブセットが完全なベンチマークを予測し、量を超える品質を示すことを示している。
  論文  参考訳（メタデータ） (2026-04-20T00:57:31Z)
• Causal LLM Routing: End-to-End Regret Minimization from Observational Data [3.3580884064577616]
  LLMルーティングは、クエリ毎に最も適切なモデルを選択することを目的としている。 従来のアプローチでは、メトリクスを最初に予測し、モデルがこれらの見積に基づいて選択される、分離された戦略が一般的だった。 観測データから意思決定の後悔を最小化してルーティングポリシーを学習する因果的エンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T21:34:18Z)
• Comparing Bad Apples to Good Oranges: Aligning Large Language Models via Joint Preference Optimization [105.3612692153615]
  命令応答対に対して協調的に好みを抽出する新しい軸を提案する。 命令と応答ペアを併用することで、大きな言語モデルのアライメントを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2024-03-31T02:05:40Z)
• Ranking-based Adaptive Query Generation for DETRs in Crowded Pedestrian Detection [49.27380156754935]
  DETRのクエリの数は手動で調整しなければなりませんが、そうでなければ、パフォーマンスは様々な程度に低下します。 本稿では,ランクに基づく適応クエリ生成(RAQG)を提案し,問題を緩和する。 提案手法は単純かつ効果的であり,任意のDETRにプラグインすることで,理論上クエリ適応性を実現する。
  論文  参考訳（メタデータ） (2023-10-24T11:00:56Z)
• 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)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)

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。