Or's of And's for Interpretable Classification, with Application to Context-Aware Recommender Systems
원문 초록
We present a machine learning algorithm for building classifiers that are comprised of a small number of disjunctions of conjunctions (or's of and's). An example of a classifier of this form is as follows: If X satisfies (x1 = 'blue' AND x3 = 'middle') OR (x1 = 'blue' AND x2 = '<15') OR (x1 = 'yellow'), then we predict that Y=1, ELSE predict Y=0. An attribute-value pair is called a literal and a conjunction of literals is called a pattern. Models of this form have the advantage of being interpretable to human experts, since they produce a set of conditions that concisely describe a specific class. We present two probabilistic models for forming a pattern set, one with a Beta-Binomial prior, and the other with Poisson priors. In both cases, there are prior parameters that the user can set to encourage the model to have a desired size and shape, to conform with a domain-specific definition of interpretability. We provide two scalable MAP inference approaches: a pattern level search, which involves association rule mining, and a literal level search. We show stronger priors reduce computation. We apply the Bayesian Or's of And's (BOA) model to predict user behavior with respect to in-vehicle context-aware personalized recommender systems.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
JD Oxygen AI Item Center(Oxygen AIIC) V1: 상품 이해·관리·적용을 위한 산업 규모 LLM/VLM 중심 솔루션
JD Oxygen AI Item Center (Oxygen AIIC) V1: An Industrial-Scale LLM/VLM-Centric Solution for Item Understanding, Management, and Applications
JD.com은 세계 최대 규모의 전자상거래 플랫폼 중 하나로, 7억 명 이상의 활성 사용자와 수백만 명의 판매자에게 서비스를 제공하며, 수십억 개의 SKU로 구성된 카탈로그를 보유하고 있습니다. 이러한 규모에서 고품질의 구조화된 상품 지식은 더 나은 소비자 경험, 낮은 관리 비용, 높은 운영 효율성의 기반이 되지만, 이를 생산하고 제공하는 것은 세 가지 산업 규모의 과제를 야기합니다: 급속히 등장하는 개념, 대규모 SKU에 대한 고품질 지식 생산, 그리고 다양한 다운스트림 요구사항. 이러한 과제를 해결하기 위해, 상품 지식 생산 및 서비스를 위해 LLM/VLM 기반으로 구축된 산업 규모 플랫폼인 JD Oxygen AI Item Center(Oxygen AIIC)를 제시합니다. Oxygen AIIC는 네 가지 핵심 기둥을 중심으로 구축되었습니다: (i) 효율적인 인간-AI 협업에 의해 추진되는 온톨로지 엔지니어링으로, 수백만 개의 항목을 포함하는 온톨로지의 동적 진화와 민첩한 확장을 지원합니다; (ii) 처리량 개선 전략과 결합된 "Semantic Search then Discrimination"(S2D) 지식 식별 아키텍처로, 수십억 SKU에 대한 확장 가능하고 확장성 있으며 고처리량 AI Item Library 생산을 가능하게 합니다; (iii) 안정적이고 통제 가능한 방식으로 개선되는 자기 진화형 상품 이해 LLM/VLM으로, 정밀도 94.2%, 재현율 82.8%의 지식 생산을 가능하게 합니다; (iv) 데이터 및 서비스 허브로서 기능하는 통합 item tunnel. Oxygen AIIC는 현재 수만 개의 JD 카테고리를 다루며, Huawei Ascend NPU에서 하루 수억 건의 상품 업데이트를 처리합니다. 수천억 개의 상품 지식 자산을 축적했습니다. 검색, 추천, 운영, 카테고리 기획 등 핵심 비즈니스 시나리오에 배포된 Oxygen AIIC는 규모에 걸맞은 측정 가능한 성과를 달성했습니다. 검색 트래픽 커버리지는 80.4%에 달하고, 상품 정보 품질 이슈는 37% 감소했으며, 상품 등록 시 핵심 속성의 자동 입력률은 80%를 초과합니다.
메트릭 순서 시퀀스 학습과 하이브리드 정책 선호 최적화를 적용한 확산 트랜스포머 기반 생성형 검색
Generative Retrieval via Diffusion Transformer with Metric-Ordered Sequence Training and Hybrid-Policy Preference Optimization
임베딩 기반 검색은 공유 벡터 공간에서 쿼리와의 유사도에 따라 아이템을 순위화하며, 일반적으로 가장 높은 점수의 아이템을 반환하는 것을 목표로 한다. 많은 프로덕션 환경에서는 이것이 원하는 것이 아니다. 세밀한 패턴을 표현하는 시드 집합이 주어졌을 때, 목표 속성을 만족하면서 동시에 그 패턴 내에 머무는 더 많은 아이템이 필요하다. 이를 패턴 보존 속성 검색(pattern-preserving attribute retrieval)으로 형식화한다. 두 목표는 서로 상충한다. 시드를 평균하면 패턴은 보존되지만 낮은 속성 영역에 머물고, 전역 속성 검색은 관련 없는 패턴으로 표류한다. 연속 생성형 검색으로 이 과제에 접근한다. 여기서 모델은 아이템 임베딩 시퀀스를 읽고 최근접 이웃 검색을 위한 쿼리 임베딩을 생성한다. MO-DiT+HPPO를 제안한다. 이는 원시 시퀀스 사전학습, 다중 도메인 메트릭 순서 연속 사전학습(CPT), 꼬리 중심(tail-centroid) 미세조정, HPPO로 구성된 단계적 프레임워크이다. 메트릭 순서 학습은 희소한 온라인 검색 레이블을 낮은 예측 속성 밀도에서 높은 예측 속성 밀도 순으로 정렬된 패턴 내 궤적으로 변환하여, 하나의 모델이 도메인 전반에 걸친 메트릭 개선 방향을 학습하게 한다. HPPO는 하이브리드 후보 풀에 온라인 교집합 메트릭으로 레이블을 부여하고 참조 고정(reference-anchored) 선호 최적화를 적용하여, 생성된 쿼리 분포를 실제 온라인 목적 함수와 정렬한다. 파레토 쌍 필터는 동일 패턴 순도를 낮추지 않는 승자 쌍만 유지하여, 패턴을 희생하지 않고 속성 메트릭을 높인다. 아이템 및 패턴 홀드아웃 프로토콜 하에서 네 가지 속성 도메인 전반에 걸쳐, 메트릭 순서 DiT는 사전학습된 생성형 검색기 대비 교집합 메트릭을 개선하며, HPPO는 이를 더욱 개선한다. 8개 도메인 분할 셀 중 7개에서 유의미한 향상을 보였고, 가장 어려운 분할에서는 근소한 동률을 기록했다. 메트릭 예측기 검증, 순서 ablation, CPT/SFT 비교, 후보 정책 ablation을 통해 성능 향상의 원인을 밝힌다.
Dialogue to Discovery: Attribute-Aware Preference Elicitation for Conversational Product Search Assistants
Camouflaged Variational Graph AutoEncoder against Attribute Inference Attacks for Cross-Domain Recommendation
Beyond the Attention: Distinguish the Discriminative and Confusable Features For Fine-grained Image Classification
만족을 넘어서: 콘텐츠, 리뷰, 웰빙 간의 연관성 학습
Beyond Satisfaction: Learning Associations Between Content, Reviews, and Well-Being
추천 알고리즘은 사람들이 온라인에서 소비하는 것을 형성하지만, 주로 별점, 좋아요, 감성과 같은 사용자 만족의 신호에 맞추어 최적화된다. 이러한 신호가 순간적 선호를 넘어 사용자에게 무엇이 좋은지를 포착하는지는 대체로 검토되지 않았다. 웰빙은 만족을 넘어서는, 심리학에 기반한 대안적 목표를 제공한다. 본 연구는 이를 리뷰에 나타난 PERMA 다섯 측면의 즉각적 표현과 지속적 표현으로 조작화한다. 실증적으로, 즉각적인 긍정 정서와 몰입은 더 쾌락적(즐거움 지향)으로 군집을 이루는 반면, 관계, 의미, 성취, 그리고 지속적인 긍정 정서와 몰입은 더 행복주의적(의미 및 성장 지향)으로 나타난다. Goodreads 리뷰 1,370만 건과 도서 1만 6천 권의 내용을 분석하여, PERMA 표현이 만족 목표와 어떻게 다른지, 그리고 어떤 도서 내용 특징이 이와 연관되는지를 연구한다. 첫째, 만족 신호(별점과 리뷰 감성)는 즉각적인 쾌락적 웰빙과는 중간 정도의 상관을 보이나(r = .43-.50) 그 지속적 표현과는 상관이 더 낮고(r <= .28), 행복주의적 측면과는 거의 연관이 없다(r <= .09). 둘째, 도서 내용 특징은 만족 신호(|r| <= .15)보다 PERMA 측면과 더 강하게 연관된다(r 최대 .46). 즉각적 쾌락적 웰빙과 연관된 내용은 지속적 및 행복주의적 웰빙과 연관된 내용과 다르다. 3인칭 대명사와 과거 지향 언어는 즉각적 몰입과 양의 관계를 보이지만(d=1.14, 1.05) 모든 지속적 측면과는 음의 관계를 보이며(d 최저 -1.58, -1.32), 친사회적 언어와 성취 지향 언어는 각각 관계와 성취와 관련된다(d=.45, .96). 이러한 결과는 만족 신호가 사용자가 표현하는 웰빙의 일부만을 포착하며, 웰빙에 기반한 목표를 사용하면 플랫폼이 상당히 다른 콘텐츠를 추천하게 될 수 있음을 시사한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.