登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 推薦システム
推薦システム コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
推薦システム を含む検索結果
「推薦システム」をご恵贈いただきました。最近、パーソナルAIアシスタントをよりプロアクティブにしたいと思ったとき、リコメンドの考え方がめちゃくちゃ大事なんじゃないかという気がしていたので、そんな自分にピッタリの本でした。というかもっと早く読みたかったかも。 LLM を使った手法を10 以上掲載が売り文句になっているだけあって、LLMx推薦の部分も良かったですし。リコメンドについて、その重要性含めて網羅的に知れてよかったです。 リコメンドって、TwitterとかYouTubeとか変なコンテンツすすめてくることが多くて、あんまりよい印象がなかったのですが、この本で印象大きく変わりました #ad#
もっと見る
推薦システムの検索モデルを一切いじらずに、後付けの軽量な「検証器」を1つ足すだけでRecallが大きく伸びる。Metaのチームがそんな手法を発表しました。 タイトル: Recommendation Retrievers Need Verifiers: Universal Generative Reranking for Sequential Recommendations URL: 既存の検索モデル(ドラフター)を凍結したまま、候補アイテムの識別子トークンを生成的に評価する軽量ベリファイアを追加する「ドラフター・ベリファイア」構成を提案しています。 🌐 注目ポイント1: カタログが大きいほど効く 音楽推薦データセットYaMBDaでは、カタログ規模が大きくなるほど改善幅が拡大しました。最大規模(46億相互作用)ではRecall@10が最大29.8%も向上しています。 🧩 注目ポイント2: どんなドラフターにも刺さる汎用性 自己注意ベースのSASRec、リカレント型のGRU4Rec、畳み込み型のNextItNet、さらにLLMベースのMiniOneRecまで、性質の異なる4種類すべてで同じ訓練レシピが機能しました。 🔬 注目ポイント3: 効いているのは「生成的な検証」そのもの ドラフターに直接コンテンツ情報を注入すると単体性能はむしろ下がりますが、そこにベリファイアを足すと回復します。改善は単純な特徴注入ではなく、出力側の生成的な検証プロセスそのものから生まれていることが実証されました。 検索インデックスを変えずに後付けできる点が、大規模実運用への導入しやすさとして大きいと感じました。 #推薦システム# #機械学習#
もっと見る
生成的推薦の世界で、みんなが「良いセマンティックID設計とはこういうものだ」と何となく信じてきたことを、大規模な追試で一つひとつ検証してみたらどうなるか。 🔍 生成的推薦モデルは、アイテムを離散トークン列「セマンティックID」に変換し、次に推薦すべきアイテムを自己回帰的に生成します。RQ-VAE、OPQ、RQ-Kmeansなど設計手法は乱立していますが、比較されるデータセットやバックボーンがバラバラで、どの設計が本当に優れているのか誰も確信を持てていませんでした。 そこで著者らは、同じデータ分割・同じ評価プロトコルのもとで12手法を横並びに再現実験。すると意外な事実が次々と浮かび上がります。データセットが変われば最良の手法も変わり、万能なSID設計は存在しないこと。コードブックの利用バランスをどれだけ整えても、推薦精度との相関はほぼゼロであること。コードを長くしても必ずしも性能は上がらず、モデルを大きくしても精度が落ちることさえあること。 そしてアイテム同士の「意味的な近さ」をどれだけ保てているかを測ると、指標(JaccardかRBOか)によって勝者となる手法が入れ替わる。良いSID設計とは、単一の指標を追い求めることではなく、複数の観点を同時にバランスさせることだと、この論文 What Makes a Good Semantic ID for Generative Recommendation? A Reproducibility Study は教えてくれます。 URL: #推薦システム# #再現性研究#
もっと見る
TL;DR: 機能追加は簡単なのに機能削除だけ異常に大変という、推薦システム運用の「技術的負債あるある」。それを日次の自動化で解決した実運用フレームワークがPinterestから登場しました。 タイトル: FORTE: A Production Framework for Feature Evaluation and Deprecation in Industrial Recommender Systems URL: ポイント 🧩 特徴量追加は「指標が良くなればOK」、削除は「どの指標も悪化させてはいけない」という非対称な難しさがある ⏱️ 日次の摂動実験で特徴量の重要度・ランク安定性を自動追跡する 🧪 まとめて評価する「グループ摂動」で特徴量同士の相互作用も見逃さない 🚀 1モデル分の全実験を1回の分散推論にまとめ、300実験で54倍の実行時間削減 🔗 下流の全モデルを自動追跡するリネージ機能で、安全な削除範囲を特定 📉 Pin Rankerモデルでは8特徴量削除でパラメータ29.9%減、処理能力19.8〜25.5%向上、年間コストを数十万ドル規模で削減 機能を「増やす」技術だけでなく「減らす」技術こそ、大規模な本番MLの持続可能性を支える重要なピースだと感じます。 #推薦システム# #MLOps#
もっと見る
Meta Museはしっかり準備していたR&Rに特化したこのカスタムチップMTIA300にピッタリですね 結局のところ、ランキングと推薦システムは広告ビジネスのコア
もっと見る
TL;DR: 系列と非系列の特徴を1つのバックボーンで双方向に融合し、有効ランク(eRank)を意識したアテンションで表現の多様性を保つ推薦ランキングモデル「HiRank」の提案です。Taobaoホームページのオンラインテストで、ユーザーあたり注文数が+2.27%向上しました。 タイトル: Unified Heterogeneous Feature Interaction via Effective-Rank Scaling for Recommender Systems URL: ポイント ・🧩 エンコードしてから相互作用させる従来構成をやめ、イベント単位の系列状態を層をまたいで参照 ・🚪 HSTU型のゲート付きアテンションで主行動系列をモデル化 ・🔎 興味クエリと候補クエリの2種で長期履歴メモリを検索し、検索の多様性を確保 ・🔀 系列・検索結果・特徴・候補トークンをトークンミキシングで融合 ・🎯 シナリオ認識の圧縮と複合トークンで、High-Rank Attentionをかける ・📊 オフライン: ホームページGAUC 0.7801(最強ベースライン比+0.0186) ・🛒 オンライン: 注文数/ユーザー +2.27%、GMV/ユーザー +2.86% 💡 モデルを大きくするだけでなく、系列長と表現の多様性が効くという示唆が面白い論文です。 #推薦システム# #LLM#
もっと見る
指定校推薦みたいな媚び子ちゃん揉み手くんがちょっと得するだけの制度をみんなでワイワイ袋叩きにしてるその横で、ボンボンのご子息ご令嬢に有名大学進学チケットを配りまくるAOや女子枠がどんどん増設され着々と再生産システムが整えられてたの普通にグロすぎる
もっと見る
【名古屋市立大学】名市大の推薦試験で 1次試験不合格者3人に誤って“合格通知” 大学は3人に謝罪し改めて「不合格」を伝える 「期待を裏切り申し訳ない」原因はシステムトラブルか 発表時の1秒間に誤表示されました。
もっと見る