論文の概要: PALATE: Pretrained Autoregressive LATent Embeddings

• arxiv url: http://arxiv.org/abs/2610.39090v1
• Date: Thu, 29 Oct 2026 00:31:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.438164
• Title: PALATE: Pretrained Autoregressive LATent Embeddings
• Title（参考訳）: PALATE: 自己回帰性ラテント埋め込みの事前訓練
• Abstract要約: 我々は、消費者のエンゲージメントシーケンスのGPTスタイル生成モデルをトレーニングし、次の少数のエンゲージメントを予測する。 その単一の凍結ベクトルは、広告面ごとに1つの共有パーソナライズ入力となる。 オフラインはAUCランキングで最大の単機能ゲインです。
• 参考スコア（独自算出の注目度）: 3.594761131585615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local-commerce and food-delivery marketplaces run large ads businesses: across hundreds of thousands of stores, merchants pay to be surfaced on browse and search surfaces, and a ranker decides which ads each consumer sees. Ranking well demands strong per-consumer personalization, yet a consumer's raw interaction history is sparse and high-cardinality. Our production ranker had personalized only through hand-engineered signals: aggregate engagement counts, categorical embeddings, and order-agnostic pooled history, with no learned per-consumer sequence representation. We learn one by training a GPT-style generative model of the consumer's engagement sequence to predict their next few engagements, and read its last-token hidden state as the consumer embedding. That single frozen vector becomes one shared personalization input for every ad surface: a daily job refreshes it, and each ranker consumes it as an ordinary dense feature. Offline it is the largest single-feature gain in our ranking-AUC ladder, a relative Eval-AUC gain of +0.59% on a browse-driven feed and +0.57% on a query-driven search surface. Online, it shipped as one component of bundled ranker retrains on both surfaces: Discovery (revenue +0.79%, conversion rate +1.17%) and Search (revenue +0.94%, conversion rate +1.50%). Three design choices adapt the generative objective to a repurchase-heavy marketplace, and are the core of our contribution: an exploration-weighted loss that up-weights businesses new to the consumer over ones already engaged; a two-stage curriculum: a click pretrain that keeps the representation broad and exploratory, then a conversion fine-tune that sharpens purchase intent; and a designed negative set that pairs a fixed popular-business pool and businesses shown but not ordered with random and in-batch negatives.
• Abstract（参考訳）: 地元商業やフードデリバリーのマーケットプレースは、数十万の店舗で大規模な広告ビジネスを運営している。 ランク付けは消費者一人当たりのパーソナライズを強く要求するが、消費者の生のインタラクション履歴は希少で高い心力である。 生産ランク付け者は手作業による信号のみをパーソナライズした:集合的エンゲージメント数、カテゴリー的埋め込み、順序に依存しないプールドヒストリーであり、消費者ごとのシーケンス表現は学習されていない。 我々は、消費者のエンゲージメントシーケンスのGPTスタイル生成モデルをトレーニングして、次の数回のエンゲージメントを予測することで学習し、消費者の埋め込みとして最後の隠れ状態を読み取る。 1つのフリーズベクターは、すべての広告面に対して1つの共有パーソナライズ入力となります。 オフラインでは、ランキングAUCのはしごで最大の単機能ゲインであり、Eval-AUCの相対的な増加は、閲覧駆動フィードで+0.59%、クエリ駆動検索サーチサーチサーチで+0.57%である。 オンラインでは、ディスカバリー(revenue +0.79%、コンバージョンレート+1.17%)とサーチ(revenue +0.94%、コンバージョンレート+1.50%)である。 3つのデザイン選択は、再生目標を再購入に適応させ、私たちのコントリビューションの核心である: 既に関与している企業よりも消費者に新鮮で重み付けされた企業に対する探索的損失; 2段階のカリキュラム: 表現を広く、探索的に維持するクリックプレトレイン; 購入意図を鋭くする変換ファインチューン; 固定された人気ビジネスプールとランダムで表示されていないビジネスをペアリングするデザイン上のネガティブセット。

関連論文リスト

• Deep-learning Causal Retrieval Optimization for Efficient e-commerce Distribution in Pinterest [0.7827524915894094]
  Pinterestで運用システムをデプロイし、パーソナライズされ、コンテキスト化されたトリガポリシを学びます。 ディープマルチタスクモデルは、複数のイベントの結果と上昇を共同で予測する。 線形時間オフラインリプレイは、しきい値と予測ポリシーの影響を選択するように設計されている。
  論文  参考訳（メタデータ） (2026-07-14T23:02:27Z)
• From Prompt to Purchase: How AI Brand Recommendations Move Consumers on the Open Web [0.0]
  会話アシスタントがユーザーにブランドを推薦すると、ユーザーの同じ名前のGoogle検索が+4.3ポイント(pp)[3.1, 5.5]増加し、ブランド自身のサイトへ+2.4pp[1.4, 3.5]、ブランド固有の小売店ページへの訪問+1.0pp[0.3, 1.7]がマッチした後方プラシーボに表示される。 多くの言及は、ユーザーが既に使用しているブランド(Netflixダウンロード)への偶発的な参照であり、ダウンストリーム訪問は、既存の顧客自身の振る舞いと、ブランド固有のプレトランドとして表面化している。
  論文  参考訳（メタデータ） (2026-06-09T14:16:48Z)
• Action-Aware Generative Sequence Modeling for Short Video Recommendation [50.74467504063892]
  ショートビデオには様々な部分が含まれており、ユーザーはそれらすべてに対して同じ態度を取ることはできない。 従来のバイナリ分類レコメンデーションモデルは、ビデオを単一の全体的エンティティとして扱うが、そのような微妙な好みを正確に捉えるには限界に直面している。 本稿では,時間的次元に沿ってユーザアクションを洗練させる行動認識生成系列ネットワーク(A2Gen)を提案する。
  論文  参考訳（メタデータ） (2026-04-28T16:41:04Z)
• OneMall: One Architecture, More Scenarios -- End-to-End Generative Recommender Family at Kuaishou E-Commerce [68.7552227901176]
  OneMallは、Kuaishouのeコマースサービスに適したエンドツーエンドのジェネレーティブレコメンデーションフレームワークである。 製品カード、ショートビデオ、ライブストリーミングなど、eコマースの複数のアイテム配信シナリオを統合する。 OneMallはすでにデプロイされており、Kuaishouでは毎日4億人のアクティブユーザーが利用している。
  論文  参考訳（メタデータ） (2026-01-29T14:22:39Z)
• Taxonomy-based Negative Sampling In Personalized Semantic Search for E-commerce [46.251483528080236]
  本稿では,クエリや商品を共有ベクトル空間に埋め込んだeコマース検索のセマンティック検索モデルを提案する。 顧客の過去の購買履歴と行動をモデル化し,ユーザレベルのパーソナライゼーションを取り入れた。
  論文  参考訳（メタデータ） (2025-11-01T20:25:00Z)
• You Are What You Bought: Generating Customer Personas for E-commerce Applications [22.012818753574905]
  本稿では,顧客ペルソナの概念を紹介する。 顧客ペルソナは、特定の購入行動や嗜好の多面的かつ人間可読な特徴を提供する。 我々は,ペルソナをベースとした表現の性能を,レコメンデーションタスクや顧客セグメンテーションタスクの正確性と堅牢性の観点から評価する。 NDCG@KとF1-Score@Kの両面で、顧客のペルソナ表現の統合により、最先端のグラフベースのレコメンデーションモデルが最大12%向上することがわかった。
  論文  参考訳（メタデータ） (2025-04-24T06:59:16Z)
• Exploring Transformers for Open-world Instance Segmentation [87.21723085867]
  我々はTransformerをオープンワールドのインスタンスセグメンテーションやSWORDに活用する。 本研究では,オブジェクトと背景間の表現を拡大する新しいコントラスト学習フレームワークを提案する。 我々のモデルは、様々なオープンワールドのクロスカテゴリやクロスデータセットの一般化において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-08-08T12:12:30Z)
• Aggregated Customer Engagement Model [0.571097144710995]
  Eコマースウェブサイトは、機械学習によるランキングモデルを使用して、顧客に対してショッピング結果を提供する。 新規または過小評価された製品は、十分な顧客エンゲージメント信号を持っておらず、人気製品に並ぶと不利になる。 本稿では,1日以内にすべての顧客エンゲージメントを集約し,同じクエリを入力トレーニングデータとして使用する新しいデータキュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T20:58:10Z)
• Face to Purchase: Predicting Consumer Choices with Structured Facial and Behavioral Traits Embedding [53.02059906193556]
  消費者の顔の特徴と履歴に基づいて消費者の購入を予測することを提案する。 階層型埋め込みネットワークに基づく半教師付きモデルを設計し、消費者の高レベルな特徴を抽出する。 実世界のデータセットを用いた実験結果から,消費者の購買行動を予測するために,顔情報の導入による肯定的な効果が示された。
  論文  参考訳（メタデータ） (2020-07-14T06:06:41Z)

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。