論文の概要: Maximizing Cumulative User Engagement in Sequential Recommendation: An Online Optimization Perspective

• arxiv url: http://arxiv.org/abs/2006.04520v1
• Date: Tue, 2 Jun 2020 09:02:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-25 23:54:40.300207
• Title: Maximizing Cumulative User Engagement in Sequential Recommendation: An Online Optimization Perspective
• Title（参考訳）: 逐次推薦における累積ユーザエンゲージメントの最大化:オンライン最適化の視点から
• Authors: Yifei Zhao, Yu-Hang Zhou, Mingdong Ou, Huan Xu, Nan Li
• Abstract要約: ユーザエンゲージメントの向上とユーザブラウジングの促進という、潜在的に矛盾する2つの目標をトレードオフするためには、しばしば必要となる。 より長いユーザブラウジング期間と高いユーザエンゲージメントを明示的にトレードオフする,フレキシブルで実用的なフレームワークを提案する。 このアプローチは大規模なEコマースプラットフォームにデプロイされ、累積クリックの7%以上の改善が達成されている。
• 参考スコア（独自算出の注目度）: 26.18096797120916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To maximize cumulative user engagement (e.g. cumulative clicks) in sequential recommendation, it is often needed to tradeoff two potentially conflicting objectives, that is, pursuing higher immediate user engagement (e.g., click-through rate) and encouraging user browsing (i.e., more items exposured). Existing works often study these two tasks separately, thus tend to result in sub-optimal results. In this paper, we study this problem from an online optimization perspective, and propose a flexible and practical framework to explicitly tradeoff longer user browsing length and high immediate user engagement. Specifically, by considering items as actions, user's requests as states and user leaving as an absorbing state, we formulate each user's behavior as a personalized Markov decision process (MDP), and the problem of maximizing cumulative user engagement is reduced to a stochastic shortest path (SSP) problem. Meanwhile, with immediate user engagement and quit probability estimation, it is shown that the SSP problem can be efficiently solved via dynamic programming. Experiments on real-world datasets demonstrate the effectiveness of the proposed approach. Moreover, this approach is deployed at a large E-commerce platform, achieved over 7% improvement of cumulative clicks.
• Abstract（参考訳）: 逐次レコメンデーションにおける累積ユーザエンゲージメント(例えば累積クリック)を最大化するためには、対立する可能性のある2つの目標、すなわち、より即時のユーザエンゲージメント(例えばクリックスルーレート)を追求し、ユーザブラウジングを奨励すること(つまり、より多くのアイテムが露出すること)をトレードオフする必要がある。 既存の研究はしばしばこれらの2つのタスクを別々に研究し、その結果は準最適となる傾向にある。 本稿では、オンライン最適化の観点からこの問題を考察し、より長いユーザブラウジング期間と高いユーザエンゲージメントを明示的にトレードオフするフレキシブルで実用的なフレームワークを提案する。 具体的には、アイテムをアクションとして、ユーザの要求を状態として、ユーザの離脱を吸収状態として、パーソナライズされたマルコフ決定プロセス(MDP)として各ユーザの行動を定式化し、累積ユーザエンゲージメントを最大化する問題は確率的最短パス(SSP)問題に還元される。 一方、ユーザエンゲージメントと確率推定を即時停止することにより、SSP問題を動的プログラミングにより効率的に解けることを示す。 実世界のデータセット実験は,提案手法の有効性を示す。 さらに、このアプローチは大規模なeコマースプラットフォームにデプロイされ、累積クリックの7%以上の改善を達成した。

関連論文リスト

• Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
  会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。 本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
  論文  参考訳（メタデータ） (2025-04-29T06:37:30Z)
• PAUSE: Low-Latency and Privacy-Aware Active User Selection for Federated Learning [34.40737362564651]
  フェデレートラーニング(FL)は、エッジデバイスが、潜在的にプライベートなデータを共有することなく、機械学習モデルを協調的にトレーニングすることを可能にする。 FLには2つの重要な課題がある。第一に、時間とともにプライバシーの漏洩が蓄積され、第二に、通信のレイテンシである。 本稿では,アクティブユーザ選択によるプライバシー漏洩と通信遅延の蓄積を共同で解決する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-17T13:50:35Z)
• EPR-GAIL: An EPR-Enhanced Hierarchical Imitation Learning Framework to Simulate Complex User Consumption Behaviors [13.436303786475348]
  本研究では,データ駆動型GAIL(Generative Adversarial Learning)手法の忠実さと信頼性を高めることを提案する。 EPR-GAILフレームワークの中核となる考え方は、ユーザの消費行動を複雑なEPR決定プロセスとしてモデル化することです。 オンラインプラットフォーム上での2つの実世界のユーザ消費行動データセットの実験では、EPR-GAILフレームワークが、データの忠実度において、最高の最先端ベースラインを19%以上上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-03-09T01:56:42Z)
• Efficient and Responsible Adaptation of Large Language Models for Robust and Equitable Top-k Recommendations [12.814937243361054]
  我々は,すべてのユーザグループに公平にサービスを提供することで,社会的利益を促進するために設計されたハイブリッドタスク割り当てフレームワークを提案する。 実世界の3つのデータセットによる結果から,ユーザ数が大幅に減少し,不均等にコストを増大させることなく,サブポピュレーションに対するロバスト性が改善された。
  論文  参考訳（メタデータ） (2025-01-08T18:08:48Z)
• CUPID: A Real-Time Session-Based Reciprocal Recommendation System for a One-on-One Social Discovery Platform [12.2116664055055]
  CUPIDは、リアルタイム1対1のソーシャルディスカバリプラットフォーム用に設計されたセッションベースの相互レコメンデーションシステムに対する新しいアプローチである。 CUPIDは、リアルタイムユーザマッチングプロセスから時間集約的なユーザーセッションモデリングを分離し、推論時間を短縮する。 CUPIDは非非同期システムに比べて応答遅延を76%以上削減する。
  論文  参考訳（メタデータ） (2024-10-08T05:44:14Z)
• Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
  我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。 埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。 本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-03T15:45:15Z)
• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Prompt Tuning as User Inherent Profile Inference Machine [53.78398656789463]
  本稿では,ユーザプロファイルの推測にプロンプトチューニングを用いるUserIP-Tuningを提案する。 プロファイル量子化コードブックは、プロファイル埋め込みによるモダリティギャップを協調IDにブリッジする。 4つの公開データセットの実験では、UserIP-Tuningは最先端のレコメンデーションアルゴリズムを上回っている。
  論文  参考訳（メタデータ） (2024-08-13T02:25:46Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Modeling User Retention through Generative Flow Networks [34.74982897470852]
  フローベースのモデリング技術は、ユーザセッションで推奨される各項目に対する保持報酬をバックプロパガントすることができる。 従来の学習目標と組み合わされたフローは、最終的には、即時フィードバックとユーザ保持の両方に対して、非カウントの累積報酬を最適化した。
  論文  参考訳（メタデータ） (2024-06-10T06:22:18Z)
• Persona-DB: Efficient Large Language Model Personalization for Response Prediction with Collaborative Data Refinement [79.2400720115588]
  本稿では,タスクコンテキスト間の一般化を改善するための階層的な構築プロセスからなる,シンプルで効果的なフレームワークであるPersona-DBを紹介する。 応答予測の評価において,Persona-DB は精度を著しく低減した検索サイズで維持する上で,より優れたコンテキスト効率を示す。 我々の実験は、ユーザーが極めて少ないデータを持つ場合、コールドスタートシナリオで10%以上の顕著な改善が示されていることも示している。
  論文  参考訳（メタデータ） (2024-02-16T20:20:43Z)
• RESUS: Warm-Up Cold Users via Meta-Learning Residual User Preferences in CTR Prediction [14.807495564177252]
  コールドユーザーに対するCTR(Click-Through Rate)予測は、レコメンデーションシステムにおいて難しい課題である。 本稿では,グローバルな嗜好知識の学習を,個々のユーザの残留嗜好の学習から切り離す,RESUSという新しい,効率的なアプローチを提案する。 本手法は, コールドユーザに対するCTR予測精度の向上に有効であり, 各種最先端手法と比較して有効である。
  論文  参考訳（メタデータ） (2022-10-28T11:57:58Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• RETE: Retrieval-Enhanced Temporal Event Forecasting on Unified Query Product Evolutionary Graph [18.826901341496143]
  時間的イベント予測は、統合クエリ製品進化グラフにおける新しいユーザ行動予測タスクである。 本稿では,新しいイベント予測フレームワークを提案する。 既存手法とは違って,グラフ全体の大まかに連結されたエンティティを通じてユーザ表現を強化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-12T19:27:56Z)
• TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations [12.626079984394766]
  動的ユーザ・イテム不均質グラフに基づく新しいシーケンシャル・レコメンデーション・フレームワークを提案する。 条件付き乱数場を利用して不均一なグラフとユーザ動作を集約し,確率推定を行う。 提案したフレームワークのスケーラブルで柔軟な実装を提供しています。
  論文  参考訳（メタデータ） (2021-11-14T15:54:23Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)

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。