論文の概要: Multi-Manifold Learning for Large-scale Targeted Advertising System
- arxiv url: http://arxiv.org/abs/2007.02334v2
- Date: Wed, 8 Jul 2020 04:34:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 07:56:16.213665
- Title: Multi-Manifold Learning for Large-scale Targeted Advertising System
- Title（参考訳）: 大規模ターゲット広告システムのための多次元学習
- Authors: Kyuyong Shin, Young-Jin Park, Kyung-Min Kim, Sunyoung Kwon
- Abstract要約: Messengerの広告(広告)は、直接的および個人的ユーザー体験を提供し、高いコンバージョン率と売上をもたらす。
本稿では,ハイパーボリック空間におけるユーザと広告の階層構造を効果的に学習するフレームワークを提案する。
提案手法を,公開ベンチマークデータセットと大規模商用メッセンジャーシステムLINE上で評価する。
- 参考スコア（独自算出の注目度）: 11.665335230281825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Messenger advertisements (ads) give direct and personal user experience
yielding high conversion rates and sales. However, people are skeptical about
ads and sometimes perceive them as spam, which eventually leads to a decrease
in user satisfaction. Targeted advertising, which serves ads to individuals who
may exhibit interest in a particular advertising message, is strongly required.
The key to the success of precise user targeting lies in learning the accurate
user and ad representation in the embedding space. Most of the previous studies
have limited the representation learning in the Euclidean space, but recent
studies have suggested hyperbolic manifold learning for the distinct projection
of complex network properties emerging from real-world datasets such as social
networks, recommender systems, and advertising. We propose a framework that can
effectively learn the hierarchical structure in users and ads on the hyperbolic
space, and extend to the Multi-Manifold Learning. Our method constructs
multiple hyperbolic manifolds with learnable curvatures and maps the
representation of user and ad to each manifold. The origin of each manifold is
set as the centroid of each user cluster. The user preference for each ad is
estimated using the distance between two entities in the hyperbolic space, and
the final prediction is determined by aggregating the values calculated from
the learned multiple manifolds. We evaluate our method on public benchmark
datasets and a large-scale commercial messenger system LINE, and demonstrate
its effectiveness through improved performance.
- Abstract（参考訳）: messenger広告(ads)は、直接的および個人的ユーザー体験を提供し、高いコンバージョン率と売上をもたらす。
しかし、人々は広告に懐疑的であり、時にはスパムだと認識し、最終的にはユーザー満足度が低下する。
特定の広告メッセージに興味を示す個人に対して広告を提供するターゲット広告は、強く求められている。
正確なユーザーターゲティングの成功の鍵は、埋め込み空間における正確なユーザーと広告表現を学ぶことである。
過去の研究の多くはユークリッド空間における表現学習を制限してきたが、近年の研究では、ソーシャルネットワークやレコメンダシステム、広告といった現実のデータセットから生じる複雑なネットワーク特性の異なる射影に対する双曲的多様体学習が提案されている。
本稿では,ハイパーボリック空間におけるユーザと広告の階層構造を効果的に学習し,マルチマニフォールド学習に拡張するフレームワークを提案する。
学習可能な曲率を持つ複数の双曲多様体を構築し,ユーザとアドの表現を各多様体にマッピングする。
各多様体の起源は、各ユーザクラスタのセンタロイドとして設定される。
各広告のユーザ嗜好を双曲空間内の2つのエンティティ間の距離を用いて推定し、学習された複数の多様体から算出された値を集約して最終予測を行う。
提案手法を,公開ベンチマークデータセットと大規模商用メッセンジャーシステムLINE上で評価し,その性能向上による有効性を示す。
関連論文リスト
- VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳（メタデータ） (2022-05-31T17:45:30Z) - HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric
Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。
具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。
提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文 参考訳（メタデータ） (2022-04-18T06:11:44Z) - SuperCone: Modeling Heterogeneous Experts with Concept Meta-learning for
Unified Predictive Segments System [8.917697023052257]
統合述語セグメントシステムであるSuperConeについて述べる。
これは、各ユーザの異質なデジタルフットプリントを要約するフラットな概念表現の上に構築される。
様々な述語セグメントタスクにおいて、最先端のレコメンデーションとランキングアルゴリズムを上回ります。
論文 参考訳（メタデータ） (2022-03-09T04:11:39Z) - AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。
本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。
AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文 参考訳（メタデータ） (2022-02-18T10:14:45Z) - Contextual Bandits for Advertising Campaigns: A Diffusion-Model
Independent Approach (Extended Version) [73.59962178534361]
拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。
この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。
本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
論文 参考訳（メタデータ） (2022-01-13T22:06:10Z) - Clustering augmented Self-Supervised Learning: Anapplication to Land
Cover Mapping [10.720852987343896]
本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。
社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
論文 参考訳（メタデータ） (2021-08-16T19:35:43Z) - Mixture of Virtual-Kernel Experts for Multi-Objective User Profile
Modeling [9.639497198579257]
ディープラーニングは、歴史的行動からユーザの好みを記述するために、表現力のあるタグをマイニングするために広く使用されている。
従来のソリューションは通常、異なるアクションからタグをマイニングするために複数の独立したTwo-Towerモデルを導入します。
本稿では,Mixture of Virtual- Kernel Experts (MVKE) と呼ばれる新しいマルチタスクモデルを提案する。
論文 参考訳（メタデータ） (2021-06-04T07:52:52Z) - Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。
提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。
この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
論文 参考訳（メタデータ） (2021-02-14T05:36:25Z) - Multi-Channel Sequential Behavior Networks for User Modeling in Online
Advertising [4.964012641964141]
本稿では,ユーザと広告を意味空間に埋め込むための深層学習手法であるマルチチャネルシーケンシャル行動ネットワーク(mc-sbn)を提案する。
提案するユーザエンコーダアーキテクチャでは,過去の検索クエリや訪問ページ,クリックした広告など,複数の入力チャネルからのユーザアクティビティをユーザベクトルにまとめる。
その結果,MC-SBNは関連広告のランク付けを改善し,クリック予測とコンバージョン予測の両方の性能を向上させることができることがわかった。
論文 参考訳（メタデータ） (2020-12-27T06:13:29Z) - Multi-Center Federated Learning [62.57229809407692]
本稿では,フェデレート学習のための新しい多中心集約機構を提案する。
非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。
ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
論文 参考訳（メタデータ） (2020-05-03T09:14:31Z)
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。