論文の概要: TPG-DNN: A Method for User Intent Prediction Based on Total Probability Formula and GRU Loss with Multi-task Learning

• arxiv url: http://arxiv.org/abs/2008.02122v1
• Date: Wed, 5 Aug 2020 13:25:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 17:37:06.120253
• Title: TPG-DNN: A Method for User Intent Prediction Based on Total Probability Formula and GRU Loss with Multi-task Learning
• Title（参考訳）: TPG-DNN:マルチタスク学習による総合確率式とGRU損失に基づくユーザインテント予測手法
• Authors: Jingxing Jiang, Zhubin Wang, Fei Fang, Binqiang Zhao
• Abstract要約: 本稿では,新しいユーザ意図予測モデルであるTPG-DNNを提案する。 提案モデルは,タオバオプラットフォーム上でのクーポンの割り当て,広告,レコメンデーションに広く利用されている。
• 参考スコア（独自算出の注目度）: 36.38658213969406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The E-commerce platform has become the principal battleground where people search, browse and pay for whatever they want. Critical as is to improve the online shopping experience for customers and merchants, how to find a proper approach for user intent prediction are paid great attention in both industry and academia. In this paper, we propose a novel user intent prediction model, TPG-DNN, to complete the challenging task, which is based on adaptive gated recurrent unit (GRU) loss function with multi-task learning. We creatively use the GRU structure and total probability formula as the loss function to model the users' whole online purchase process. Besides, the multi-task weight adjustment mechanism can make the final loss function dynamically adjust the importance between different tasks through data variance. According to the test result of experiments conducted on Taobao daily and promotion data sets, the proposed model performs much better than existing click through rate (CTR) models. At present, the proposed user intent prediction model has been widely used for the coupon allocation, advertisement and recommendation on Taobao platform, which greatly improve the user experience and shopping efficiency, and benefit the gross merchandise volume (GMV) promotion as well.
• Abstract（参考訳）: Eコマースプラットフォームは、人々が好きなものを検索、閲覧、支払いする主要な戦場となっている。 顧客や商店のオンラインショッピング体験を改善する上で重要なこととして、ユーザ意図予測の適切なアプローチを見つける方法は、業界と学界の両方で大きな注目を集めている。 本稿では,マルチタスク学習による適応ゲートリカレントユニット(gru)損失関数に基づく課題を完遂するための,新たなユーザ意図予測モデルtpg-dnnを提案する。 ユーザのオンライン購入プロセス全体をモデル化する損失関数として,GRU構造と全確率式を創造的に活用する。 さらに、マルチタスクの重み調整機構により、データ分散によるタスク間の重要度を動的に調整することができる。 Taobaoday and promotion data setで行った実験結果によると、提案モデルは既存のクリックスルーレート(CTR)モデルよりもはるかに優れている。 現在,提案したユーザ意図予測モデルは,ユーザエクスペリエンスとショッピング効率を大幅に向上させるとともに,総商品量(GMV)の促進にも有効である,タオオプラットフォーム上でのクーポンアロケーション,広告,レコメンデーションに広く利用されている。

関連論文リスト

• Predict Click-Through Rates with Deep Interest Network Model in E-commerce Advertising [36.61520168259678]
  本稿では,Deep Interest Network(DIN)モデルを用いて,クリックスルー率(CTR)予測モデルを改善する手法を提案する。 本研究では, 広範囲なユーザ行動データを活用することで, 広告ターゲティングのための局所的ユーザ行動アクティベーションに焦点を当てた。
  論文  参考訳（メタデータ） (2024-06-04T05:52:14Z)
• Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages [55.04219793298687]
  本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。 特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
  論文  参考訳（メタデータ） (2024-02-07T20:53:53Z)
• A Meta-learning based Stacked Regression Approach for Customer Lifetime Value Prediction [3.6002910014361857]
  顧客ライフタイムバリュー(英:Customer Lifetime Value、CLV)とは、取引/購入の合計金額である。 CLVは、銀行、保険、オンラインエンタテインメント、ゲーム、Eコマースなど、いくつかの異なるビジネスドメインでアプリケーションを見つける。 本稿では,効果的かつ包括的かつシンプルかつ解釈可能なシステムを提案する。
  論文  参考訳（メタデータ） (2023-08-07T14:22:02Z)
• UniMatch: A Unified User-Item Matching Framework for the Multi-purpose Merchant Marketing [27.459774494479227]
  1つのモデルでアイテムレコメンデーションとユーザターゲティングを同時に行うために,統合されたユーザイテムマッチングフレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して大幅に性能が向上し、計算資源や日々のメンテナンスにかかるコストが大幅に削減された。
  論文  参考訳（メタデータ） (2023-07-19T13:49:35Z)
• 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)
• User-click Modelling for Predicting Purchase Intent [0.0]
  この論文は、ユーザの振る舞いをモデル化するオープンな数学的問題に対する構造化された調査に寄与する。 企業がWebサイトとのユーザインタラクションを理解することは、消費者の振る舞いに関するリッチで個人化された洞察を提供するため、価値がある。
  論文  参考訳（メタデータ） (2021-12-03T16:37:48Z)
• RF-LighGBM: A probabilistic ensemble way to predict customer repurchase behaviour in community e-commerce [8.750970436444083]
  中国におけるオンライン決済ユーザーの数は8億4400万人に達している。 コミュニティのeコマースプラットフォームが出現するにつれ、eコマースとソーシャルアプリケーションの統合の傾向はますます強まっている。 本稿では,データ駆動型手法を用いて,地域電子商取引顧客の再購入行動の予測について検討する。
  論文  参考訳（メタデータ） (2021-09-02T05:38:16Z)
• 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)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。