論文の概要: General-Purpose User Embeddings based on Mobile App Usage

• arxiv url: http://arxiv.org/abs/2005.13303v1
• Date: Wed, 27 May 2020 12:01:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 08:22:12.878338
• Title: General-Purpose User Embeddings based on Mobile App Usage
• Title（参考訳）: モバイルアプリの利用状況に基づく汎用ユーザ埋め込み
• Authors: Junqi Zhang, Bing Bai, Ye Lin, Jian Liang, Kun Bai, Fei Wang
• Abstract要約: 保留、インストール、アンインストールを含むモバイルアプリの利用行動は、ユーザの長期的な利益と短期的な利益の両方に良い指標となる。 伝統的に、モバイルアプリの使用によるユーザーモデリングは、手作りの機能工学に大きく依存している。 本稿では,これらの課題を克服し,手作業の削減と性能向上を目標とする,AutoEncoder-Coupled Transformer Network(AETN)を提案する。
• 参考スコア（独自算出の注目度）: 46.343844014289246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we report our recent practice at Tencent for user modeling based on mobile app usage. User behaviors on mobile app usage, including retention, installation, and uninstallation, can be a good indicator for both long-term and short-term interests of users. For example, if a user installs Snapseed recently, she might have a growing interest in photographing. Such information is valuable for numerous downstream applications, including advertising, recommendations, etc. Traditionally, user modeling from mobile app usage heavily relies on handcrafted feature engineering, which requires onerous human work for different downstream applications, and could be sub-optimal without domain experts. However, automatic user modeling based on mobile app usage faces unique challenges, including (1) retention, installation, and uninstallation are heterogeneous but need to be modeled collectively, (2) user behaviors are distributed unevenly over time, and (3) many long-tailed apps suffer from serious sparsity. In this paper, we present a tailored AutoEncoder-coupled Transformer Network (AETN), by which we overcome these challenges and achieve the goals of reducing manual efforts and boosting performance. We have deployed the model at Tencent, and both online/offline experiments from multiple domains of downstream applications have demonstrated the effectiveness of the output user embeddings.
• Abstract（参考訳）: 本稿では,モバイルアプリ利用に基づくユーザモデリングにおけるTencentの最近の実践について報告する。 保留、インストール、アンインストールを含むモバイルアプリの利用に関するユーザー行動は、ユーザの長期的な利益と短期的な利益の両方に良い指標となる。 たとえば、最近Snapseedをインストールしたユーザーは、写真撮影への関心が高まっているかもしれない。 このような情報は、広告やレコメンデーションなどを含む多くの下流アプリケーションにとって価値がある。 従来、モバイルアプリの使用によるユーザモデリングは、さまざまなダウンストリームアプリケーションに対して煩雑な人間作業を必要とする手作りの機能工学に大きく依存しており、ドメインの専門家がいなければ、サブ最適である可能性がある。 しかし,モバイルアプリの利用状況に基づく自動ユーザモデリングは,(1)保持,インストール,アンインストールは異種であるが,全体としてモデル化する必要があること,(2)ユーザ動作が時間とともに不均一に分散すること,(3)多くの長鎖アプリが深刻な間隔に悩まされていること,など,独特な課題に直面している。 本稿では,これらの課題を克服し,手作業の削減と性能向上という目標を達成するための,AutoEncoder-Coupled Transformer Network (AETN) を提案する。 私たちはtencentにモデルをデプロイし、ダウンストリームアプリケーションの複数のドメインによるオンライン/オフライン実験の両方で、出力ユーザ埋め込みの有効性を実証しました。

関連論文リスト

• Computational Approaches for App-to-App Retrieval and Design Consistency Check [19.689603972238583]
  現在のアプローチは、セマンティックベクターを抽出するために、小さなモバイルUIデータセットに基づいてトレーニングされた機械学習モデルに依存している。 ゼロショット方式でUI表現を抽出できるかどうかをテストするために,大規模なWebスケール画像で訓練された視覚モデルを用いている。 また、数学的に構築された手法を用いて、アプリケーション間検索と設計整合性解析を可能にする。
  論文  参考訳（メタデータ） (2023-09-19T05:21:22Z)
• MAPLE: Mobile App Prediction Leveraging Large Language Model Embeddings [9.03541182474246]
  本研究では,大規模言語モデル埋め込み(MAPLE)を活用したモバイルアプリケーション予測モデルを提案する。 MAPLEは、LLM(Large Language Models)を採用し、これらの課題を克服するためにアプリの類似性をインストールしている。 2つの実世界のデータセットのテストでは、MAPLEは標準およびコールドスタートシナリオの両方で、現代のモデルを上回っている。
  論文  参考訳（メタデータ） (2023-09-15T13:15:54Z)
• SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning [55.84746218227712]
  我々は,100万パラメータ未満の軽量顔認識ネットワークであるSqueezerFaceNetを開発した。 性能を損なうことなく、さらに(最大40%)削減できることを示す。
  論文  参考訳（メタデータ） (2023-07-20T08:38:50Z)
• User Driven Functionality Deletion for Mobile Apps [10.81190733388406]
  機能を増やしてソフトウェアを進化させるのは理解が難しく、使うのが難しくなります。 機能が多すぎると、使いやすさ、保守性、リソース消費に簡単に影響を与えます。 以前の研究によると、機能の削除は一般的であり、時にはユーザレビューによって引き起こされる。
  論文  参考訳（メタデータ） (2023-05-30T19:56:54Z)
• Federated Privacy-preserving Collaborative Filtering for On-Device Next App Prediction [52.16923290335873]
  本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。 古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。 提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
  論文  参考訳（メタデータ） (2023-02-05T10:29:57Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
  我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。 従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。 その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
  論文  参考訳（メタデータ） (2022-05-09T18:26:51Z)
• Context-Aware Target Apps Selection and Recommendation for Enhancing Personal Mobile Assistants [42.25496752260081]
  本論文では,効果的なパーソナルモバイルアシスタントの開発に不可欠な2つの研究課題について述べる。 ここでは,モバイルデバイスで利用可能なリッチなコンテキスト情報を活用するために,コンテキスト認識モデルに注目する。 本稿では,ユーザの逐次的,時間的,個人的行動を考慮した文脈認識型ニューラルモデル群を提案する。
  論文  参考訳（メタデータ） (2021-01-09T17:07:47Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)

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。