Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

SPARC: Soft Probabilistic Adaptive multi-interest Retrieval Model via Codebooks for recommender system

Created by
  • Haebom

作者

Jialiang Shi, Yaguang Dou, Tian Qi

概要

本論文では、実世界推薦システム（RS）における多関心モデリングの重要な問題を解決するために、新しい検索フレームワークであるSPARC（Soft Probabilistic Adaptive Retrieval Model via Codebooks）を提案します。既存の方法のLimitationsである固定関心事と受動的なマッチング戦略を克服するために、Residual Quantized Variational Autoencoder（RQ-VAE）を活用して、ユーザーの行動に応じて動的に変化する離散的な関心空間を構築し、関心空間全体の確率分布を予測する確率的関心モジュールを導入します。これにより、オンライン推論時に「手動マッチング」から「アクティブナビゲーション」にパラダイムを切り替えることで、新たな関心事の発見を効果的に促進します。数千万人の日々アクティブユーザーを保有した産業プラットフォームでのA/Bテストの結果、ユーザー視聴時間+0.9%、ページビュー+0.4%、PV500（24時間内に500PV到達した新規コンテンツ）+22.7%向上などの成果を見せ、Amazon Productデータセットを利用したオフライン評価でもRecallK

Takeaways、Limitations

•
Takeaways：
◦
ユーザの行動に応じて動的に変化する複数の関心事のモデリングが可能であることを示した。
◦
既存のパッシブマッチング方式からアクティブナビゲーション方式に切り替えることで、新しい関心事の発見を効果的に促進します。
◦
産業プラットフォームとオープンソースデータセットでの実験により、実効性と実用性を検証。
◦
推奨システムの性能向上に寄与する側面を実際のビジネス指標向上として立証。
•
Limitations：
◦
RQ‐VAEを用いた関心空間の構築と学習過程の複雑性
◦
特定の産業プラットフォームとデータセットの結果であるため、他のドメインまたはデータセットへの一般化の可能性に関するさらなる研究が必要です。
◦
確率的関心モジュールの性能に関するさらなる分析と改善の余地がある。
👍
Made with Slashpage