UMRE：推荐系统中用于排序集成的统一单调变换
信息检索
2025-08-19 v2
摘要
工业推荐系统通常依赖集成排序（ES）来组合来自多个行为目标的预测。传统上，这一过程依赖于手动设计的非线性变换（例如，多项式或指数函数）和手动调整的融合权重来平衡相互竞争的目标——这种方法劳动密集且经常在实现帕累托效率方面表现次优。在本文中，我们提出了一种新颖的统一单调排序集成（UMRE）框架，以解决传统方法在集成排序中的局限性。UMRE用无约束单调神经网络（UMNN）替代了手工设计的变换，该网络通过正神经积分的积分来学习富有表现力的严格单调函数。随后，采用一个轻量级排序模型来融合预测分数，为每个预测目标分配个性化权重。为了平衡相互竞争的目标，我们进一步引入了一种帕累托最优策略，在训练期间自适应地协调任务权重。UMRE消除了手动调整，保持了排序一致性，并实现了细粒度的个性化。在两个公开推荐数据集（Kuairand和Tenrec）上的实验结果以及在线A/B测试均展示了令人印象深刻的性能和泛化能力。
引用
@article{arxiv.2508.07613,
title = {UMRE: A Unified Monotonic Transformation for Ranking Ensemble in Recommender Systems},
author = {Zhengrui Xu and Zhe Yang and Zhengxiao Guo and Shukai Liu and Luocheng Lin and Xiaoyan Liu and Yongqi Liu and Han Li},
journal= {arXiv preprint arXiv:2508.07613},
year = {2025}
}