論文の概要: Iterative Boosting Deep Neural Networks for Predicting Click-Through Rate

• arxiv url: http://arxiv.org/abs/2007.13087v1
• Date: Sun, 26 Jul 2020 09:41:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 19:43:59.029871
• Title: Iterative Boosting Deep Neural Networks for Predicting Click-Through Rate
• Title（参考訳）: クリックスルー率予測のための反復ブースティングディープニューラルネットワーク
• Authors: Amit Livne, Roy Dor, Eyal Mazuz, Tamar Didi, Bracha Shapira, and Lior Rokach
• Abstract要約: クリックスルーレート(CTR)は、特定の項目のクリックの比率を、そのビューの総数に反映する。 XdBoostは、従来の機械学習の強化メカニズムの影響を受け、反復的な3段階ニューラルネットワークモデルである。
• 参考スコア（独自算出の注目度）: 15.90144113403866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The click-through rate (CTR) reflects the ratio of clicks on a specific item to its total number of views. It has significant impact on websites' advertising revenue. Learning sophisticated models to understand and predict user behavior is essential for maximizing the CTR in recommendation systems. Recent works have suggested new methods that replace the expensive and time-consuming feature engineering process with a variety of deep learning (DL) classifiers capable of capturing complicated patterns from raw data; these methods have shown significant improvement on the CTR prediction task. While DL techniques can learn intricate user behavior patterns, it relies on a vast amount of data and does not perform as well when there is a limited amount of data. We propose XDBoost, a new DL method for capturing complex patterns that requires just a limited amount of raw data. XDBoost is an iterative three-stage neural network model influenced by the traditional machine learning boosting mechanism. XDBoost's components operate sequentially similar to boosting; However, unlike conventional boosting, XDBoost does not sum the predictions generated by its components. Instead, it utilizes these predictions as new artificial features and enhances CTR prediction by retraining the model using these features. Comprehensive experiments conducted to illustrate the effectiveness of XDBoost on two datasets demonstrated its ability to outperform existing state-of-the-art (SOTA) models for CTR prediction.
• Abstract（参考訳）: クリックスルーレート(CTR)は、特定の項目のクリックの比率を、そのビューの総数に反映する。 ウェブサイトの広告収入に大きな影響を与えている。 ユーザの振る舞いを理解し予測するために洗練されたモデルを学習することは、レコメンデーションシステムにおけるCTRの最大化に不可欠である。 近年の研究では、コストと時間を要する機能エンジニアリングプロセスを、生データから複雑なパターンをキャプチャ可能な様々なディープラーニング(DL)分類器に置き換える手法が提案されており、これらの手法はCTR予測タスクにおいて顕著に改善されている。 DL技術は複雑なユーザの振舞いパターンを学習できるが、大量のデータに依存しており、限られた量のデータがある場合には性能が良くない。 我々は,限られた量の生データを必要とする複雑なパターンをキャプチャする新しいDL手法であるXDBoostを提案する。 XDBoostは、従来の機械学習の強化メカニズムの影響を受け、反復的な3段階ニューラルネットワークモデルである。 しかし、従来のブースティングとは異なり、XDBoostはコンポーネントによって生成された予測を要約していない。 代わりに、これらの予測を新しい人工的特徴として利用し、これらの特徴を使用してモデルを再訓練することでCTR予測を強化する。 2つのデータセットに対するXDBoostの有効性を示す総合的な実験により、CTR予測のための既存の最先端(SOTA)モデルを上回る性能を示した。

関連論文リスト

• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
  ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。 本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。 その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• MAP: A Model-agnostic Pretraining Framework for Click-through Rate Prediction [39.48740397029264]
  本稿では,多分野分類データに特徴的破損と回復を適用したMAP(Model-Agnostic Pretraining)フレームワークを提案する。 マスク付き特徴予測(RFD)と代替特徴検出(RFD)の2つの実用的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2023-08-03T12:55:55Z)
• DELTA: Dynamic Embedding Learning with Truncated Conscious Attention for CTR Prediction [61.68415731896613]
  CTR(Click-Through Rate)予測は、製品とコンテンツの推奨において重要なタスクである。 本稿では,CTR予測のための動的埋め込み学習を実現するモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-03T12:34:45Z)
• Directed Acyclic Graph Factorization Machines for CTR Prediction via Knowledge Distillation [65.62538699160085]
  本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。 KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
  論文  参考訳（メタデータ） (2022-11-21T03:09:42Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Efficient Click-Through Rate Prediction for Developing Countries via Tabular Learning [2.916402752324148]
  CTR(Click-Through Rate)予測モデルは,限られた計算資源のため,展開が困難である。 本稿では,表型学習モデルがCTR予測においてより効率的かつ有効であることを示す。
  論文  参考訳（メタデータ） (2021-04-15T16:07:25Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Ensemble Knowledge Distillation for CTR Prediction [46.92149090885551]
  我々は知識蒸留(KD)に基づく新しいモデルトレーニング戦略を提案する。 KDは、教師モデルから学んだ知識を学生モデルに移すための教師学生学習フレームワークである。 本稿では,教師のゲーティングや蒸留損失による早期停止など,CTR予測のアンサンブル化を促進する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-11-08T23:37:58Z)
• DeepLight: Deep Lightweight Feature Interactions for Accelerating CTR Predictions in Ad Serving [15.637357991632241]
  クリックスルー率(CTR)予測は、オンラインディスプレイ広告において重要な課題である。 埋め込みベースのニューラルネットワークは、両方の明示的な特徴相互作用を学ぶために提案されている。 しかし、これらの洗練されたモデルは、予測を少なくとも何百回も遅くする。
  論文  参考訳（メタデータ） (2020-02-17T14:51:31Z)

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。