論文の概要: Beyond Independent Predictions: Learning the Browsing Journey for Sequence-Level Re-ranking
- arxiv url: http://arxiv.org/abs/2611.07591v1
- Date: Thu, 05 Nov 2026 07:41:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.586001
- Title: Beyond Independent Predictions: Learning the Browsing Journey for Sequence-Level Re-ranking
- Title（参考訳）: 独立した予測を超えて:シークエンスレベルの再ランク付けのためのブラウザジャーニーを学ぶ
- Abstract要約: 既存の評価者は、主に textbfIndependent Behavior Modeling (IBM) パラダイムに従っている。
この単純化は2つの物理的現実を無視している: (i) クリックは、アイテムが到達して感銘を受けた後にのみ起こり、 (ii) アイテムは、有限ユーザーの注意を競う。
textbfImpression-Click Evaluator (ICE) は,閲覧深度分布を予測し,位置毎の印象確率を推定するプラグイン・アンド・プレイ・フレームワークである。
- 参考スコア（独自算出の注目度）: 16.649424294776836
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Re-ranking aims to present users with an ordered list that maximizes sequence-level utility. Industrial deployments widely adopt the Generator--Evaluator framework, where the generator proposes candidate sequences, and the evaluator scores them to select the best one for display. The fidelity of the evaluator's utility estimates thus directly governs recommendation quality. However, existing evaluators predominantly follow the \textbf{Independent Behavior Modeling (IBM)} paradigm, which simplifies the continuous user \emph{browsing journey} into independent per-item predictions (e.g., CTR). This oversimplification ignores two physical realities: (i) a click can occur only after the item has been reached and impressed, and (ii) items compete for finite user attention. As a result, IBM produces systematically biased evaluations and suboptimal sequence selection. To address this, we propose a \textbf{Joint Behavior Modeling (JBM)} perspective that explicitly models the \emph{display} $\rightarrow$ \emph{impression} $\rightarrow$ \emph{click} process to capture causal and competitive dependencies within a sequence. Building on JBM, we develop the \textbf{Impression-Click Evaluator (ICE)}, a plug-and-play framework that (i) predicts a browsing-depth distribution to estimate per-position impression probabilities, (ii) leverages predicted impressions to suppress spurious context from unexposed items during click modeling, and (iii) introduces a click distribution matching objective to capture intra-sequence dependencies. Extensive offline experiments across diverse backbones, together with a 14-day online A/B test in the Taobao App (+0.70\% clicks, +3.67\% revenue) and full-traffic deployment, validate the effectiveness and robustness of our approach.
- Abstract（参考訳）: Re-levelは、シークエンスレベルのユーティリティを最大化する順序付きリストをユーザに提示することを目的としている。
産業展開では、ジェネレータが候補シーケンスを提案し、評価器がそれらをスコア付けして表示に最適なものを選択する、ジェネレータ-評価器フレームワークが広く採用されている。
これにより、評価者の実用性評価の忠実性は、推薦品質を直接的に管理する。
しかし、既存の評価者は、主に、連続的なユーザ \emph{browsing journey} を独立した単位ごとの予測(例えば、CTR)に単純化する \textbf{Independent Behavior Modeling (IBM) パラダイムに従っている。
この単純化は2つの物理的現実を無視します。
(i)クリックは、商品が到達して感銘を受けた後にのみ起こり、
(二)アイテムは、有限ユーザーの注意を競う。
その結果、IBMは系統的に偏りのある評価と準最適シーケンス選択を生成する。
これを解決するために、列内の因果的および競合的な依存関係を捉えるために、明示的に \emph{impression} $\rightarrow$ \emph{impression} $\rightarrow$ \emph{click} プロセスをモデル化する \textbf{Joint Behavior Modeling (JBM) の視点を提案する。
JBM上に構築されたプラグイン・プレイフレームワークであるtextbf{Impression-Click Evaluator (ICE) を開発した。
(i)閲覧深度分布を予測し、位置当たりの印象確率を推定する。
二 予測印象を利用して、クリックモデリング中の未公開項目からの刺激的文脈を抑えること。
(iii) シーケンス内依存関係をキャプチャするクリック分布マッチングの目的を導入する。
Taobao Appの14日間のオンラインA/Bテスト(+0.70\%のクリック、+3.67\%の収益)とフルトラフィックデプロイメントによる、さまざまなバックボーンにわたる大規模なオフライン実験により、このアプローチの有効性と堅牢性を検証する。
関連論文リスト
- POEM: Partial-Order Enhanced Real-Time Sequential Modeling for Recommendation [47.301549241806185]
本稿では, 固有部分順序関係に基づく新しいリアルタイム逐次モデリングフレームワークを提案する。
POEMは、アップストリームランキングモジュールが生成するリアルタイムマルチタスクランキングスコアを、動的部分順序列の構築の監督として利用する。
Kuaishouオンライントラフィックに完全にデプロイされたPOEMは、オンライン上の大きな利益を達成している。
論文 参考訳（メタデータ） (2026-06-29T08:23:04Z) - TapSampling: Inference-Time Sampling with a Task-Progress-Understanding Verifier for Robotic Manipulation [61.35569005726248]
既存の具体的制御研究は、トレーニングデータとモデルサイズをスケールすることで、顕著なパフォーマンス向上を示す。
拡散や自己回帰モデルのような非決定論的生成モデルは、エンボディドコントロールの分野で広く採用されている。
推測時間サンプリングのためのプラグイン・アンド・プレイフレームワークである textbfTapSampling を提案する。
論文 参考訳（メタデータ） (2026-05-25T08:03:31Z) - TAME: Test-Time Adversarial Prompt Tuning via Mixture-of-Experts for Vision-Language Models [76.92890872338235]
大規模事前学習型ビジョンランゲージモデル(VLM)は、強いゼロショット一般化を示すが、知覚不能な逆方向の摂動に対して非常に脆弱である。
ダウンストリームタスク固有のリトレーニングを必要とせずに堅牢性を高めるため,新しいテストタイムディフェンスであるTAMEを提案する。
論文 参考訳（メタデータ） (2026-05-17T18:07:08Z) - DynT2I-Eval: A Dynamic Evaluation Framework for Text-to-Image Models [78.62380562116135]
テキスト・トゥ・イメージ(T2I)モデルのための完全に自動化された動的評価フレームワークであるDynT2I-Evalを提案する。
長い形式の記述から構造化された視覚意味空間を構築し、プロンプトを制御可能な次元に分解する。
DynT2I-Evalは、テキストアライメント、知覚品質、美学のモデル性能を評価する。
論文 参考訳（メタデータ） (2026-05-07T12:53:51Z) - 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) - From Clicks to Preference: A Multi-stage Alignment Framework for Generative Query Suggestion in Conversational System [11.373145953200137]
生成ポリシーとユーザ意図のプログレッシブアライメントを目的とした多段階フレームワークを提案する。
我々の枠組みは, 自動評価と人的評価の両方において, ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2025-08-15T10:17:01Z) - Exploiting Counter-Examples for Active Learning with Partial labels [45.665996618836516]
本稿では, 部分ラベルを用いたemphactive learning(ALPL)の新たな課題について検討する。
この設定では、オラクルはクエリサンプルに部分的なラベルを付加し、必要な正確なラベル付けプロセスからオラクルを緩和する。
我々は,このパターンを直接学習するために,シンプルだが効果的なWorseNetを提案する。
論文 参考訳（メタデータ） (2023-07-14T15:41:53Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。
本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。
我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
論文 参考訳（メタデータ） (2022-01-16T12:38:45Z)
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。