NLGR: Utilizing Neighbor Lists for Generative Rerank in Personalized Recommendation Systems

要約

再ランキングは、初期ランキングリストを再配置することにより、最新のマルチステージ推奨システムで重要な役割を果たします。
組み合わせ検索スペースの固有の課題により、現在の研究では、評価者ジェネレーターのパラダイムを採用しています。発電機は、実行可能なシーケンスを生成し、推定リストユーティリティに基づいて最適なシーケンスを選択する評価者です。
ただし、これらの方法はまだ2つの問題に直面しています。
第一に、評価者とジェネレーターの間の目標の不一致の問題により、ジェネレーターは組み合わせ空間の最適化ではなく、露出分布の局所的な最適ソリューションに適合する傾向があります。
第二に、ターゲットアイテムを1つずつ生成する戦略は、後続のアイテムの情報を無視するため、最適性を達成することが困難です。
これらの問題に対処するために、複合空間での発電機のパフォーマンスを改善することを目的とする生成再ランキング（NLGR）の近隣リストモデルを利用することを提案します。
NLGRは、評価者ジェネレーターのパラダイムに従い、発電機のトレーニングと生成方法を改善します。
具体的には、コンビネーションスペースの近隣リストを使用してトレーニングプロセスを強化し、ジェネレーターが相対スコアを認識し、最適化の方向を見つけるようにします。
さらに、新規サンプリングベースの非自動脱出生成法を提案します。これにより、ジェネレーターは現在のリストから任意の隣接リストに柔軟にジャンプできるようにします。
公共および産業のデータセットに関する広範な実験は、NLGRの有効性を検証し、Meituan Food Delivery PlatformにNLGRを展開することに成功しました。

要約(オリジナル)

Reranking plays a crucial role in modern multi-stage recommender systems by rearranging the initial ranking list. Due to the inherent challenges of combinatorial search spaces, some current research adopts an evaluator-generator paradigm, with a generator generating feasible sequences and an evaluator selecting the best sequence based on the estimated list utility. However, these methods still face two issues. Firstly, due to the goal inconsistency problem between the evaluator and generator, the generator tends to fit the local optimal solution of exposure distribution rather than combinatorial space optimization. Secondly, the strategy of generating target items one by one is difficult to achieve optimality because it ignores the information of subsequent items. To address these issues, we propose a utilizing Neighbor Lists model for Generative Reranking (NLGR), which aims to improve the performance of the generator in the combinatorial space. NLGR follows the evaluator-generator paradigm and improves the generator’s training and generating methods. Specifically, we use neighbor lists in combination space to enhance the training process, making the generator perceive the relative scores and find the optimization direction. Furthermore, we propose a novel sampling-based non-autoregressive generation method, which allows the generator to jump flexibly from the current list to any neighbor list. Extensive experiments on public and industrial datasets validate NLGR’s effectiveness and we have successfully deployed NLGR on the Meituan food delivery platform.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google