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 RecommenderSystems
RecommenderSystems 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
RecommenderSystems を含む検索結果
学習に数日かかるレコメンドモデルの研究を、AIエージェントに自律的に回させたらどうなるかという論文です。 Auto-RecSys: Harnessing Autonomous Research Agents for Industry-Scale Recommender Systems ❓ なぜ既存の自律AI研究エージェントでは足りないのでしょうか 💡 既存システムは数分〜数時間で結果が出る小規模実験を前提にしていますが、産業用レコメンドモデルは1回の学習に数日かかり、設定も数千行に及びます。逐次試行が現実的でないため、複数のアイデアを分散サーバーで並行に走らせ、失敗からも復旧できる全く別の設計が必要になります。 ❓ どうやって並行実験と障害復旧を両立させているのでしょうか 💡 アイデアごとに独立した状態ファイルを持たせ、発案→実装→検証→学習→分析という工程を管理します。セッションが再起動しても、共有ストレージ上のグローバルレジストリと軌跡ログを読み直すことで、サーバーをまたいでシームレスに作業を再開できます。 ❓ 本当にシステムは「学習」していくのでしょうか 💡 実験の軌跡をモデル固有のプレイブックに蒸留し、失敗を「やってはいけないこと」として蓄積します。31回の反復のうち、1反復あたりの主要な修正回数は4.0件から0.5件まで減り、無修正で完了する反復の割合は83%に達しました。 ❓ 実際にどれくらい自律的に動けるのでしょうか 💡 970件連続のログエントリを人の介入なしで実行し、公開の失敗が続いた際には学習フローを自ら切り替えるといった適応も観察されています。 #AIエージェント# #機械学習#
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
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