एक जनरेटिव स्लेट-रैंकिंग प्रतिमान पुनर्व्यवस्थापन और मिश्रण रैंकिंग को एकीकृत करने के लिए एकल ऑटोरिग्रेसिव Transformer का उपयोग करता है।
वनट्रांस-जीएसआर जनरेटिव स्लेट रैंकिंग के लिए एक एकल ऑटोरिग्रेसिव नीति का प्रस्ताव करता है, जो अलग-अलग रीरैंकिंग और मिक्स-रैंकिंग चरणों को बदल देता है। यह व्यावसायिक बाधाओं के तहत Slate-Level Reward Modeling और reinforcement learning के साथ पूरे स्लेट मूल्य सीखता है। उत्पादन ए / बी परीक्षण प्रति उपयोगकर्ता सकल माल मूल्य में लाभ की रिपोर्ट करते हैं, विज्ञापनदाता मूल्य, और कम सेवा विलंबता के साथ पुनर्खरीद दर।
मुख्य जानकारी
- वनट्रांस-जीएसआर मैन्युअल रूप से इंजीनियर मल्टी-स्टेज रैंकिंग पाइपलाइनों को एक एकल ऑटोरेग्रेसिव नीति के साथ बदल देता है जो विषम औद्योगिक स्लेट्स के लिए पुनर्व्यवस्थापन और मिश्रण-रैंकिंग को एकीकृत करता है।
- मॉडल को स्लेट-Level Reward Modeling और reinforcement learning के माध्यम से प्रशिक्षित किया जाता है, जो स्पष्ट व्यावसायिक बाधाओं का सम्मान करते हुए पूर्ण आदेशित सूची के मूल्य का अनुकूलन करता है।
- उत्पादन ए/बी परीक्षण प्रति उपयोगकर्ता +2.63% जीएमवी, विज्ञापनदाता मूल्य + 2.06%, पुनर्खरीद दर + 2.03% और सेवा विलंबता में 13% की कमी का रिपोर्ट करते हैं।
- यह दृष्टिकोण अंतिम अनुशंसा सूची पीढ़ी को एक स्केलेबल आरएल समस्या के रूप में मानता है, जो संभावित रूप से लाइव सेवा आवश्यकताओं को पूरा करते हुए पाइपलाइन रखरखाव का सरलीकरण करता है।
एक शोध पत्र के लेखकों ने औद्योगिक अनुशंसक प्रणालियों में जनरेटिव स्लेट रैंकिंग के लिए वनट्रांस-जीएसआर, एकल ऑटोरिग्रेसिव नीति पेश की है। पेपर Hugging Face कागज पृष्ठ पर https://huggingface.co/papers/2611.04720 और https://arxiv.org/abs/2611.04720 पर arXiv पर सूचीबद्ध है। इसका केंद्रीय प्रस्ताव विशेषज्ञ-इंजीनियर कैस्केड को एक सीखी गई नीति से बदलने का है जो स्पष्ट व्यावसायिक बाधाओं के तहत अंतिम विषम स्लेट उत्पन्न करता है।
पुनः रैंकिंग और मिश्रण-रैंकिंग के लिए एक सीखी नीति
एक अनुशंसाकर्ता प्रणाली में, स्लेट रैंकिंग निर्णय लेने के बाद उपयोगकर्ता को दिखाए गए आइटमों का क्रमबद्ध सेट होता है। औद्योगिक स्लेट अक्सर विषम होते हैं क्योंकि वे विभिन्न प्रकार की वस्तुओं, प्रारूपों या स्रोतों को मिला सकते हैं। पेपर OneTrans-GSR को पुनर्व्यवस्थापन और मिश्रण-रैंकिंग को एकीकृत करने के तरीके के रूप में वर्णित करता है, दो कार्य जो आमतौर पर मैन्युअल रूप से डिज़ाइन किए गए पाइपलाइन में अलग-अलग चरणों द्वारा संभाले जाते हैं।
यह विधि ऑटोरेग्रेसिव है, जिसका अर्थ है कि यह विशेष रैंकिंग मॉडल के एक निश्चित कैस्केड के माध्यम से आइटम पास करने के बजाय सीखी गई अनुक्रमिक प्रक्रिया के जरिए अंतिम सूची का उत्पादन करता है। इसे स्लेट-Level Reward Modeling और reinforcement learning के साथ प्रशिक्षित किया जाता है, एक प्रशिक्षण दृष्टिकोण जो केवल पर्यवेक्षित लेबलों की तुलना में पुरस्कारों से सीखता है। पेपर Slate-8900000 और GMR-PO को उन तंत्रों के रूप में प्रस्तुत करता है जो स्लेट पीढ़ी को एक मापनीय सीखने की समस्या में बदल देते हैं।
स्पष्ट व्यावसायिक प्रतिबंध भी आउटपुट को आकार देते हैं। नीति से एक स्लेट उत्पन्न होने की उम्मीद है जो व्यवसाय के नियमों को संतुष्ट करता है जबकि सीखे गए इनाम का अनुकूलन किया जाता है। यह रैंकिंग से अलग होता है जो आइटम स्वतंत्र रूप से अंकित करता हैः अंतिम उत्पादन एक पूर्ण सूची है, इसलिए उस सूची में वस्तुओं के बीच बातचीत मायने रखती है।
रिपोर्ट किए गए उत्पादन लाभ और सेवा विलंब
पेपर उत्पादन ए / बी परीक्षणों के परिणाम की रिपोर्ट करता है, जो एक लाइव वातावरण में मौजूदा प्रणाली के साथ नई नीति की तुलना करते हैं। इसमें कहा गया है कि वनट्रांस-जीएसआर ने प्रति उपयोगकर्ता +2.63% सकल माल मूल्य, + 2.06% विज्ञापनदाता मूल्य और + 2.03% पुनर्खरीद दर हासिल की। यह -13% सेवारत विलंबता की भी सूचना देता है, जिसका अर्थ है कि परीक्षण किए गए सेवा विलम्ब 13% कम था।
ये मेट्रिक्स अलग-अलग कारणों से मायने रखते हैं। प्रति उपयोगकर्ता सकल माल मूल्य एक लेनदेन उन्मुख उपाय है। विज्ञापनदाता मूल्य विज्ञापन भागीदारों को वितरित लाभ पर कब्जा करता है। पुनर्खरीद दर यह ट्रैक करती है कि क्या उपयोगकर्ता बाद की खरीद के लिए लौटते हैं। सेवा विलंबता एक इंजीनियरिंग मीट्रिक है क्योंकि लाइव सिफारिश सिस्टम को यूजर इंटरफेस को उत्तरदायी महसूस करने के लिए पर्याप्त तेजी से परिणाम प्रदान करना चाहिए।
परिणामों को उत्पादन ए / बी परीक्षण के परिणामों के रूप में रिपोर्ट किया जाता है, इसलिए वे परीक्षण प्रणाली और वातावरण से बंधे होते हैं। पेपर यह वादा नहीं करता है कि समान प्रतिशत लाभ हर अनुशंसाकर्ता प्रणाली पर स्थानांतरित हो जाएगा। इसका योगदान विधि और रिपोर्ट किए गए साक्ष्य है कि एक एकल सीखी नीति उत्पादन रैंकिंग सेटिंग में काम कर सकती है।
पाठक इस पत्र से क्या सीख सकते हैं
शोधकर्ताओं के लिए, पेपर अंतिम अनुशंसा सूची पीढ़ी को reinforcement learning समस्या के रूप में इलाज करने का एक ठोस प्रयास प्रस्तुत करता है। इंजीनियरों के लिए अपील व्यावहारिक हैः एक एकल नीति कई हाथ से निर्मित रैंकिंग चरणों को बनाए रखने की जटिलता को कम कर सकती है जबकि रिपोर्ट किए गए विलंबता परिवर्तन से पता चलता है कि दृष्टिकोण लाइव सेवा आवश्यकताओं के अनुरूप हो सकता है। लेखक कहते हैं कि उन्हें उम्मीद है कि यह काम अनुसंधान समुदाय के लिए उपयोगी होगा और प्रश्नों, प्रतिक्रिया और चर्चा का स्वागत करेगा।

Comments (0)