論文の概要: MiNet: Mixed Interest Network for Cross-Domain Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2008.02974v1
• Date: Fri, 7 Aug 2020 03:27:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 01:56:52.962572
• Title: MiNet: Mixed Interest Network for Cross-Domain Click-Through Rate Prediction
• Title（参考訳）: MiNet: クロスドメインクリックスルーレート予測のための混合関心ネットワーク
• Authors: Wentao Ouyang, Xiuwu Zhang, Lei Zhao, Jinmei Luo, Yu Zhang, Heng Zou, Zhaojie Liu, Yanlong Du
• Abstract要約: 本研究では,3種類のユーザ関心を共同でモデル化するMiNetを提案する。 MiNetには2つの注意レベルがあり、アイテムレベルの注意はクリックされたニュース/広告から有用な情報を適応的に蒸留することができる。 We have deployed MiNet in UC Toutiao and the A/B test results shows that the online CTR are significantly improved。
• 参考スコア（独自算出の注目度）: 12.470830117874375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Click-through rate (CTR) prediction is a critical task in online advertising systems. Existing works mainly address the single-domain CTR prediction problem and model aspects such as feature interaction, user behavior history and contextual information. Nevertheless, ads are usually displayed with natural content, which offers an opportunity for cross-domain CTR prediction. In this paper, we address this problem and leverage auxiliary data from a source domain to improve the CTR prediction performance of a target domain. Our study is based on UC Toutiao (a news feed service integrated with the UC Browser App, serving hundreds of millions of users daily), where the source domain is the news and the target domain is the ad. In order to effectively leverage news data for predicting CTRs of ads, we propose the Mixed Interest Network (MiNet) which jointly models three types of user interest: 1) long-term interest across domains, 2) short-term interest from the source domain and 3) short-term interest in the target domain. MiNet contains two levels of attentions, where the item-level attention can adaptively distill useful information from clicked news / ads and the interest-level attention can adaptively fuse different interest representations. Offline experiments show that MiNet outperforms several state-of-the-art methods for CTR prediction. We have deployed MiNet in UC Toutiao and the A/B test results show that the online CTR is also improved substantially. MiNet now serves the main ad traffic in UC Toutiao.
• Abstract（参考訳）: クリックスルー率(CTR)予測はオンライン広告システムにおいて重要な課題である。 既存の作業は主に、単一ドメインのCTR予測問題と機能相互作用、ユーザ行動履歴、コンテキスト情報といったモデル側面に対処する。 それでも、広告は通常、自然なコンテンツで表示され、ドメイン横断CTR予測の機会を提供する。 本稿では、この問題に対処し、ソースドメインからの補助データを利用して、ターゲットドメインのctr予測性能を向上させる。 私たちの研究は、uc toutiao(ucブラウザアプリに統合されたニュースフィードサービスで、毎日数億人のユーザーが利用しています)に基づいており、ソースドメインがニュースでターゲットドメインが広告です。 広告のctr予測にニュースデータを有効に活用するために,3種類のユーザの興味を共同でモデル化するmixed interest network (minet)を提案する。 1)ドメイン間の長期的関心 2) ソースドメインからの短期的関心、及び 3)対象領域に対する短期的関心。 MiNetには、アイテムレベルの注意がクリックされたニュース/広告から有用な情報を適応的に蒸留し、関心レベルの注意が異なる関心表現を適応的に融合する2つのレベルがある。 オフライン実験により、MiNetはCTR予測のための最先端のいくつかの手法より優れていることが示された。 uc toutiaoにminantをデプロイし,a/bテスト結果から,オンラインctrも大幅に改善されていることが示された。 MiNetは現在、UC Toutiaoの主要な広告トラフィックを提供している。

関連論文リスト

• Efficient Transfer Learning Framework for Cross-Domain Click-Through Rate Prediction [47.7066461216227]
  クロスドメインクリックスルーレート予測(E-CDCTR)のための効率的な伝達学習フレームワーク 鍵となる3つの要素:Tiny Pre-Traning Model (TPM)、Complete Pre-Traning Model (CPM)、そして—CTR Model (A-CTR) TPMは、CPMとA-CTRの両方に対して、ユーザとアイテムのよりリッチな表現を提供し、日々の更新に固有の問題を効果的に軽減します。
  論文  参考訳（メタデータ） (2024-08-29T03:34:39Z)
• Domain-Aware Cross-Attention for Cross-domain Recommendation [4.602115311495822]
  クロスドメインレコメンデーション(CDR)は、レコメンダシステムの性能を改善する重要な方法である。 本稿では、異なる粒度からソースドメインの転送可能な特徴を抽出する2段階のクロスアテンションを提案する。 公共データセットと産業データセットの両方で実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-01-22T06:12:48Z)
• Robust Domain Misinformation Detection via Multi-modal Feature Alignment [49.89164555394584]
  マルチモーダルな誤情報検出のための頑健なドメインとクロスモーダルなアプローチを提案する。 テキストと視覚の共役分布を整列させることにより、ドメインシフトを低減する。 また,ドメイン一般化のアプリケーションシナリオを同時に検討するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-24T07:06:16Z)
• Deep Context Interest Network for Click-Through Rate Prediction [16.37806484383383]
  本稿では,クリックと表示コンテキストを統合的にモデル化し,ユーザのコンテキスト認識の興味を学習する,Deep Context Interest Network (DCIN) という新しいモデルを提案する。 DCINは当社のオンライン広告システムにデプロイされており、主要なトラフィックに対して1.5%のCTRと1.5%のRPMリフトを提供する。
  論文  参考訳（メタデータ） (2023-08-11T09:32:58Z)
• Decision-Making Context Interaction Network for Click-Through Rate Prediction [13.279762313462513]
  本稿では,意思決定コンテキストを学習するためのDCIN(Decision-Making Context Interaction Network)を提案する。 パブリックデータセットと産業データセットの実験では、DCINは最先端の手法よりも大幅に優れています。 特に、オンラインA/BテストではCTR+2.9%/CPM+2.1%/GMV+1.5%の改善が得られ、Meituan Waimai広告システムの主要なトラフィックとなった。
  論文  参考訳（メタデータ） (2023-01-29T09:48:01Z)
• Multi-Modal Cross-Domain Alignment Network for Video Moment Retrieval [55.122020263319634]
  ビデオモーメント検索(VMR)は、与えられた言語クエリに従って、未編集のビデオからターゲットモーメントをローカライズすることを目的としている。 本稿では、新しいタスクであるクロスドメインVMRに焦点を当て、完全なアノテーション付きデータセットをひとつのドメインで利用できるが、関心のあるドメインは、注釈なしのデータセットのみを含む。 本稿では、アノテーションの知識をソースドメインからターゲットドメインに転送するマルチモーダル・クロスドメインアライメント・ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-23T12:58:20Z)
• Improving Fake News Detection of Influential Domain via Domain- and Instance-Level Transfer [16.886024206337257]
  フェイクニュース検出(DITFEND)のためのドメインレベルおよびインスタンスレベルの転送フレームワークを提案する。 DITFENDは特定のターゲットドメインの性能を向上させることができる。 オンライン実験は、現実世界のシナリオにおいて、ベースモデルにさらなる改善をもたらすことを示している。
  論文  参考訳（メタデータ） (2022-09-19T10:21:13Z)
• Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
  本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。 周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。 本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-01-25T12:44:23Z)
• Domain Attention Consistency for Multi-Source Domain Adaptation [100.25573559447551]
  主な設計は、伝達可能な特徴(属性)を識別することを目的とした機能チャネルアテンションモジュールである。 3つのMSDAベンチマーク実験により、DAC-Netは、それらすべてに対して、新たなパフォーマンスを実現することが示された。
  論文  参考訳（メタデータ） (2021-11-06T15:56:53Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-08T14:20:24Z)

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。