大規模事前ランクシステムの再考

リコメンダーシステムやオンライン広告などの産業システムは、マッチング、事前ランク付け、ランク付け、再ランク付けを含むいくつかのカスケードモジュールに分かれたマルチステージアーキテクチャを広く備えています。マッチングとランク付けの間の重要な橋として、既存の事前ランク付けアプローチは、全体のデータ依存性を無視するため、サンプル選択バイアス（SSB）問題を主に持続し、最適でないパフォーマンスを生じます。本論文では、全サンプル空間の観点から事前ランクシステムを再考し、全体チェーンクロスドメインモデル（ECM）を提案します。これは、カスケード段階全体からのサンプルを活用してSSB問題を効果的に軽減します。また、事前ランク精度をさらに向上させるために、ECMMという詳細なニューラル構造を設計しました。具体的には、各段階の結果を包括的に予測するためのクロスドメインマルチタワーニューラルネットワークを提案し、計算コストを削減するためにL0正則化を用いたサブネットワーキングルーティング戦略を導入します。実世界の大規模トラフィックログに対する評価は、我々の事前ランクモデルがSOTA手法を上回る一方で、時間消費が許容範囲内に維持されていることを示しており、効率と効果の間でより良いトレードオフを達成しています。