arXiv cs.AI· Qi Xu, Zhigang Hua, Zijie Lei, Yan Xie, Jizhe Zhang, Lynn Lu, Delun Du, Sha Hua, Ren Mao, Ke Pan, Haomin Yu, Sandeep Pandey, Luke Simon·· 10 小时前AI 评分26
面向高效整页排序的 One-Pass 推理框架 Multi-Item Scoring
Towards Efficient Whole Page Ranking with One-Pass Inference
AI 导读
研究者提出 Multi-Item Scoring（MIS），一种前缀感知的 NAR 风格整页排序框架，通过每次请求只计算一次可复用表示、在受限 beam search 中做轻量前缀条件打分，兼顾序列依赖与推理效率。
正文 · AI 翻译
作者：Qi Xu、Zhigang Hua、Zijie Lei、Yan Xie、Jizhe Zhang、Lynn Lu、Delun Du、Sha Hua、Ren Mao、Ke Pan、Haomin Yu、Sandeep Pandey、Luke Simon
摘要：整页排序联合优化广告与自然内容，以在复杂布局和业务约束下平衡商业结果与用户参与度。现有的非自回归（NAR）方法能够高效生成页面，但通常独立于先前已选中的条目对候选条目打分，限制了其捕捉顺序相关交互的能力。自回归（AR）方法通过序列条件化解决了这一限制，但会产生大量推理开销，给大规模部署带来挑战。弥合这一质量与效率之间的差距仍是工业整页排序中的一项挑战。
我们提出多条目打分（MIS），这是一种前缀感知的 NAR 风格框架，将序列上下文融入高效的多条目打分。MIS 在共享表示架构中整合了全局候选交互、局部前缀条件化和位置感知打分。通过每次请求只计算一次可复用表示，并在受限束搜索期间执行轻量级前缀条件化打分，MIS 无需重复进行全模型推理即可捕捉重要的序列依赖关系。
在 KuaiRand-1K 和 RL4RS 上的实验表明，MIS 的生成质量接近自回归 CGA 基线，同时 CPU 解码速度分别提升 4.07 倍和 3.54 倍。在一个大规模社交视频平台上的随机评估中，MIS 将实现指标提升 0.104%，观看时长提升 0.058%，同时将排序服务的 CPU 消耗降低 9.73%。这些结果表明，前缀感知的多条目打分能够缩小 NAR 与 AR 生成之间的质量差距，同时保持工业级可扩展性所需的效率。
| 评论： | 12 页，2 幅图，5 张表 |
| 主题： | 人工智能（cs.AI）；机器学习（stat.ML） |
| 引用格式： | arXiv:2611.05542 [cs.AI] |
| （或 arXiv:2611.05542v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.05542 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Qi Xu [查看邮箱]
[v1]
2026 年 11 月 3 日星期二 19:33:22 UTC（625 KB）
来源：arXiv cs.AI · arxiv.org