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: 処理完了
- 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
- Persona-DB: Efficient Large Language Model Personalization for Response
Prediction with Collaborative Data Refinement [82.56964750522161]
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,階層的な構築プロセスからなるシンプルなフレームワークであるPersona-DBを紹介する。
応答予測のタスクでは,Persona-DBは,検索サイズを大幅に削減した精度を維持する上で,優れた効率性を示す。
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15%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) - TransAct: Transformer-based Realtime User Action Model for
Recommendation at Pinterest [17.247452803197362]
本稿では、PinterestのHomefeedランキングアーキテクチャについて述べる。
本研究では,リアルタイム活動からユーザの短期的嗜好を抽出するシーケンシャルモデルであるTransActを提案する。
本稿では, アブレーション研究の結果, 生産時の課題, オンラインA/B実験の結果について述べる。
論文 参考訳(メタデータ) (2023-05-31T23:45:29Z) - 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) - 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) - Learning Self-Modulating Attention in Continuous Time Space with
Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。
提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文 参考訳(メタデータ) (2022-03-30T03:54:11Z) - 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) - Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。
本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
論文 参考訳(メタデータ) (2021-11-01T19:49:35Z) - 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) - Adaptive Summaries: A Personalized Concept-based Summarization Approach
by Learning from Users' Feedback [0.0]
本稿では,アダプティブ・サマリー(Adaptive Summaries)と呼ばれるインタラクティブな概念に基づく要約モデルを提案する。
本システムは,反復ループでフィードバックを与えることで,システムと対話しながら,ユーザの提供した情報から徐々に学習する。
生成したサマリーでユーザ好みのコンテンツを最大化することで、ユーザの好みに基づいた高品質なサマリー作成を支援する。
論文 参考訳(メタデータ) (2020-12-24T18:27:50Z)
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。