論文の概要: Interpretable Deep Learning Model for Online Multi-touch Attribution
- arxiv url: http://arxiv.org/abs/2004.00384v1
- Date: Thu, 26 Mar 2020 23:21:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 21:23:00.865848
- Title: Interpretable Deep Learning Model for Online Multi-touch Attribution
- Title（参考訳）: オンラインマルチタッチ属性に対する解釈可能な深層学習モデル
- Authors: Dongdong Yang, Kevin Dyer, Senzhang Wang
- Abstract要約: 本稿では,深層学習モデルとオンラインマルチタッチ属性の解釈のための付加的特徴説明モデルを組み合わせたDeepMTAという新しいモデルを提案する。
MTAの最初の解釈可能なディープラーニングモデルとして、DeepMTAは、顧客ジャーニーにおける3つの重要な特徴について検討している。
実データセットの評価は、提案した変換予測モデルが91%の精度を達成することを示している。
- 参考スコア（独自算出の注目度）: 14.62385029537631
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In online advertising, users may be exposed to a range of different
advertising campaigns, such as natural search or referral or organic search,
before leading to a final transaction. Estimating the contribution of
advertising campaigns on the user's journey is very meaningful and crucial. A
marketer could observe each customer's interaction with different marketing
channels and modify their investment strategies accordingly. Existing methods
including both traditional last-clicking methods and recent data-driven
approaches for the multi-touch attribution (MTA) problem lack enough
interpretation on why the methods work. In this paper, we propose a novel model
called DeepMTA, which combines deep learning model and additive feature
explanation model for interpretable online multi-touch attribution. DeepMTA
mainly contains two parts, the phased-LSTMs based conversion prediction model
to catch different time intervals, and the additive feature attribution model
combined with shaley values. Additive feature attribution is explanatory that
contains a linear function of binary variables. As the first interpretable deep
learning model for MTA, DeepMTA considers three important features in the
customer journey: event sequence order, event frequency and time-decay effect
of the event. Evaluation on a real dataset shows the proposed conversion
prediction model achieves 91\% accuracy.
- Abstract（参考訳）: オンライン広告では、ユーザーは、最終的な取引に至る前に、自然言語検索、参照、有機検索などの様々な広告キャンペーンに晒されることがある。
広告キャンペーンのユーザの旅への貢献を見積もることは、非常に有意義で重要なことです。
マーケターは、各顧客の異なるマーケティングチャネルとのやりとりを観察し、投資戦略を変更することができる。
従来のラストクリック手法と最近のマルチタッチ属性(MTA)問題に対するデータ駆動アプローチの両方を含む既存の手法では、メソッドが機能する理由について十分な解釈が欠けている。
本稿では,深層学習モデルとオンラインマルチタッチ属性を解釈可能な付加的特徴説明モデルを組み合わせたDeepMTAという新しいモデルを提案する。
DeepMTAは主に、異なる時間間隔をキャッチする位相付きLSTMベースの変換予測モデルと、シェーリー値と組み合わせた付加的特徴属性モデルである。
付加的特徴属性は、バイナリ変数の線形関数を含む説明である。
MTAの最初の解釈可能なディープラーニングモデルとして、DeepMTAは、イベントシーケンス順序、イベント頻度、イベントの時間遅延効果の3つの重要な特徴について検討している。
実データを用いた評価により,提案する変換予測モデルは91\%精度を達成した。
関連論文リスト
- EDA: Evolving and Distinct Anchors for Multimodal Motion Prediction [27.480524917596565]
混合モデルに基づくマルチモーダル動作予測のための正および負の成分を定義するために,EDA(Evolving and Distinct Anchors)と呼ばれる新しいパラダイムを導入する。
EDAにより、アンカーは、拡張された回帰能力のために、特定のシーンで自分自身を進化させ、再分割することができる。
論文 参考訳（メタデータ） (2023-12-15T02:55:24Z) - Debiasing Multimodal Models via Causal Information Minimization [65.23982806840182]
我々は、マルチモーダルデータのための因果グラフにおいて、共同創設者から生じるバイアスを研究する。
ロバストな予測機能は、モデルがアウト・オブ・ディストリビューションデータに一般化するのに役立つ多様な情報を含んでいる。
これらの特徴を共同設立者表現として使用し、因果理論によって動機づけられた手法を用いてモデルからバイアスを取り除く。
論文 参考訳（メタデータ） (2023-11-28T16:46:14Z) - JPAVE: A Generation and Classification-based Model for Joint Product
Attribute Prediction and Value Extraction [59.94977231327573]
JPAVEと呼ばれる値生成/分類と属性予測を備えたマルチタスク学習モデルを提案する。
我々のモデルの2つの変種は、オープンワールドとクローズドワールドのシナリオのために設計されている。
公開データセットにおける実験結果は,強いベースラインと比較して,我々のモデルが優れていることを示す。
論文 参考訳（メタデータ） (2023-11-07T18:36:16Z) - Mining Stable Preferences: Adaptive Modality Decorrelation for
Multimedia Recommendation [23.667430143035787]
そこで我々は,ユーザの安定な嗜好を学習するための,新しいモダリティ記述型静的学習フレームワークMODESTを提案する。
サンプル再重み付け手法に着想を得た提案手法は,各項目の重み付けを推定し,重み付け分布の異なるモジュラリティの特徴が重み付けされるようにすることを目的としている。
提案手法は,既存のマルチメディアレコメンデーションバックボーンのプレイ・アンド・プラグモジュールとして利用できる。
論文 参考訳（メタデータ） (2023-06-25T09:09:11Z) - Exploring the cloud of feature interaction scores in a Rashomon set [17.775145325515993]
本稿では,Rashomon セットのコンテキストにおける特徴相互作用スコア (FIS) について述べる。
我々は、合成データを用いてFISの特性を実証し、他の統計分野との接続を図示する。
この結果から,提案したFISは,機械学習モデルにおける特徴相互作用の性質に関する貴重な洞察を得られることが示唆された。
論文 参考訳（メタデータ） (2023-05-17T13:05:26Z) - Contrastive Meta Learning with Behavior Multiplicity for Recommendation [42.15990960863924]
優れたインフォームドレコメンデーションフレームワークは、ユーザが関心のあるアイテムを識別するだけでなく、さまざまなオンラインプラットフォームの収益にも貢献できる。
本稿では,コントラストメタラーニング(Contrastive Meta Learning, CML)を提案する。
提案手法は,様々な最先端のレコメンデーション手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-02-17T08:51:24Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - Learning Multiple Stock Trading Patterns with Temporal Routing Adaptor
and Optimal Transport [8.617532047238461]
本稿では,複数の株取引パターンをモデル化し,既存の株価予測モデルを強化するための新しいアーキテクチャであるTemporal Adaptor(TRA)を提案する。
TRAは、複数のパターンを学習するための独立した予測器と、異なる予測器にサンプルをディスパッチするルータで構成される軽量モジュールである。
提案手法は,情報係数を0.053から0.059へ,情報係数を0.051から0.056に改善できることを示す。
論文 参考訳（メタデータ） (2021-06-24T12:19:45Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z) - AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。
最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。
第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。
3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
論文 参考訳（メタデータ） (2020-01-15T18:32:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。