Buchumschlag

COFFEE: COdesign Framework for Feature Enriched Embeddings in Ads-Ranking Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Roychowdhury, Sohini, Wang, Doris, Ge, Qian, Mu, Joy, Reddy, Srihari
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Information Retrieval Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Multi-Faceted Large Embedding Tables for Pinterest Ads Ranking
von: Su, Runze, et al.
Veröffentlicht: (2025)

Async Learned User Embeddings for Ads Delivery Optimization
von: Tang, Mingwei, et al.
Veröffentlicht: (2024)

Decoupled Entity Representation Learning for Pinterest Ads Ranking
von: Liu, Jie, et al.
Veröffentlicht: (2025)

Ads Recommendation in a Collapsed and Entangled World
von: Pan, Junwei, et al.
Veröffentlicht: (2024)

Context Features Are Cheap: Rank-Aware Decomposition for Efficient Feature Interaction in Recommender Systems
von: Tkach, Yevgeny
Veröffentlicht: (2026)

Beyond Self-Consistency: Loss-Balanced Perturbation-Based Regularization Improves Industrial-Scale Ads Ranking
von: Ramazanli, Ilqar, et al.
Veröffentlicht: (2025)

Unified Embedding: Battle-Tested Feature Representations for Web-Scale ML Systems
von: Coleman, Benjamin, et al.
Veröffentlicht: (2023)

GACE: Learning Graph-Based Cross-Page Ads Embedding For Click-Through Rate Prediction
von: Wang, Haowen, et al.
Veröffentlicht: (2024)

RankSHAP: Shapley Value Based Feature Attributions for Learning to Rank
von: Chowdhury, Tanya, et al.
Veröffentlicht: (2024)

IDProxy: Cold-Start CTR Prediction for Ads and Recommendation at Xiaohongshu with Multimodal LLMs
von: Zhang, Yubin, et al.
Veröffentlicht: (2026)

Ads Supply Personalization via Doubly Robust Learning
von: Shi, Wei, et al.
Veröffentlicht: (2024)

ID Embedding as Subtle Features of Content and Structure for Multimodal Recommendation
von: Liu, Yuting, et al.
Veröffentlicht: (2023)

Scaling Up LLM Reviews for Google Ads Content Moderation
von: Qiao, Wei, et al.
Veröffentlicht: (2024)

LLaTTE: Scaling Laws for Multi-Stage Sequence Modeling in Large-Scale Ads Recommendation
von: Xiong, Lee, et al.
Veröffentlicht: (2026)

An Efficient Embedding Based Ad Retrieval with GPU-Powered Feature Interaction
von: Lei, Yifan, et al.
Veröffentlicht: (2025)

MLPlatt: Simple Calibration Framework for Ranking Models
von: Bajger, Piotr, et al.
Veröffentlicht: (2026)

A Self-boosted Framework for Calibrated Ranking
von: Zhang, Shunyu, et al.
Veröffentlicht: (2024)

Hierarchical Group-wise Ranking Framework for Recommendation Models
von: Yan, YaChen, et al.
Veröffentlicht: (2025)

Hierarchical Multi-Interest Co-Network For Coarse-Grained Ranking
von: Yuan, Xu, et al.
Veröffentlicht: (2022)

Intelligent Elastic Feature Fading: Enabling Model Retrain-Free Feature Efficiency Rollouts at Scale
von: Di, Jieming, et al.
Veröffentlicht: (2026)

AIF: Asynchronous Inference Framework for Cost-Effective Pre-Ranking
von: Kou, Zhi, et al.
Veröffentlicht: (2025)

Metric-agnostic Learning-to-Rank via Boosting and Rank Approximation
von: Gomez, Camilo, et al.
Veröffentlicht: (2026)

Generalized Embedding Machines for Recommender Systems
von: Yang, Enneng, et al.
Veröffentlicht: (2020)

CaliCausalRank: Calibrated Multi-Objective Ad Ranking with Robust Counterfactual Utility Optimization
von: Yang, Xikai, et al.
Veröffentlicht: (2026)

Long-Sequence Recommendation Models Need Decoupled Embeddings
von: Feng, Ningya, et al.
Veröffentlicht: (2024)

From Raw Features to Effective Embeddings: A Three-Stage Approach for Multimodal Recipe Recommendation
von: Shin, Jeeho, et al.
Veröffentlicht: (2025)

ERCache: An Efficient and Reliable Caching Framework for Large-Scale User Representations in Meta's Ads System
von: Zhou, Fang, et al.
Veröffentlicht: (2024)

External Large Foundation Model: How to Efficiently Serve Trillions of Parameters for Online Ads Recommendation
von: Liang, Mingfu, et al.
Veröffentlicht: (2025)

Continual Low-Rank Adapters for LLM-based Generative Recommender Systems
von: Yoo, Hyunsik, et al.
Veröffentlicht: (2025)

Dual Correction Strategy for Ranking Distillation in Top-N Recommender System
von: Lee, Youngjune, et al.
Veröffentlicht: (2021)

A Unified Retrieval Framework with Document Ranking and EDU Filtering for Multi-document Summarization
von: Tan, Shiyin, et al.
Veröffentlicht: (2025)

RewardRank: Optimizing True Learning-to-Rank Utility
von: Bhatt, Gaurav, et al.
Veröffentlicht: (2025)

A Design Space for Explainable Ranking and Ranking Models
von: Hazwani, I. Al, et al.
Veröffentlicht: (2022)

Learning Cascade Ranking as One Network
von: Wang, Yunli, et al.
Veröffentlicht: (2025)

FairFS: Addressing Deep Feature Selection Biases for Recommender System
von: Wang, Xianquan, et al.
Veröffentlicht: (2026)

Shielded RecRL: Explanation Generation for Recommender Systems without Ranking Degradation
von: Tiwari, Ansh, et al.
Veröffentlicht: (2025)

The Future is Sparse: Embedding Compression for Scalable Retrieval in Recommender Systems
von: Kasalický, Petr, et al.
Veröffentlicht: (2025)

A Thorough Performance Benchmarking on Lightweight Embedding-based Recommender Systems
von: Tran, Hung Vinh, et al.
Veröffentlicht: (2024)

Proximal Ranking Policy Optimization for Practical Safety in Counterfactual Learning to Rank
von: Gupta, Shashank, et al.
Veröffentlicht: (2024)

When Does Embedding Magnitude Matter? A Cross-Task Functional-Symmetry Framework
von: Feng, Xincan, et al.
Veröffentlicht: (2026)