論文の概要: A Hierarchical User Intention-Habit Extract Network for Credit Loan Overdue Risk Detection

• arxiv url: http://arxiv.org/abs/2008.07796v1
• Date: Tue, 18 Aug 2020 08:13:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 20:47:39.526586
• Title: A Hierarchical User Intention-Habit Extract Network for Credit Loan Overdue Risk Detection
• Title（参考訳）: クレジットカード残高リスク検出のための階層型ユーザ意図抽出ネットワーク
• Authors: Hao Guo, Xintao Ren, Rongrong Wang, Zhun Cai, Kai Shuang and Yue Sun
• Abstract要約: 本研究では,モバイルバンキングAPPにおけるユーザの行動情報を活用するHUIHENというモデルを提案する。 本稿では,ユーザの短期的意図や長期的習慣を捉えるために,時間認識型GRUとユーザ認識型GRUで構成される階層型ネットワークを提案する。 提案モデルは,従来のオンラインアプリケーションプロセスの複雑さを増大させることなく,精度を向上させることができる。
• 参考スコア（独自算出の注目度）: 18.774367398953927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: More personal consumer loan products are emerging in mobile banking APP. For ease of use, application process is always simple, which means that few application information is requested for user to fill when applying for a loan, which is not conducive to construct users' credit profile. Thus, the simple application process brings huge challenges to the overdue risk detection, as higher overdue rate will result in greater economic losses to the bank. In this paper, we propose a model named HUIHEN (Hierarchical User Intention-Habit Extract Network) that leverages the users' behavior information in mobile banking APP. Due to the diversity of users' behaviors, we divide behavior sequences into sessions according to the time interval, and use the field-aware method to extract the intra-field information of behaviors. Then, we propose a hierarchical network composed of time-aware GRU and user-item-aware GRU to capture users' short-term intentions and users' long-term habits, which can be regarded as a supplement to user profile. The proposed model can improve the accuracy without increasing the complexity of the original online application process. Experimental results demonstrate the superiority of HUIHEN and show that HUIHEN outperforms other state-of-art models on all datasets.
• Abstract（参考訳）: モバイルバンキングアプリでは、個人向けローン商品が増えている。 利用の容易さのために、アプリケーションプロセスは常にシンプルである。つまり、ローンの申請時にユーザが記入するよう要求されるアプリケーション情報はほとんどなく、ユーザのクレジットプロファイルを構築するのに役立たない。 したがって、単純な適用プロセスは過度なリスク検出に大きな課題をもたらし、過度な過度な利率によって銀行に経済的な損失をもたらすことになる。 本稿では,モバイルバンキングアプリケーションにおけるユーザの行動情報を活用したhuihen(hierarchical user intent-habit extract network)というモデルを提案する。 ユーザの行動の多様性から,行動シーケンスを時間間隔に応じてセッションに分割し,フィールドアウェア法を用いて行動の場内情報を抽出する。 そこで本稿では,ユーザの短期的意図と長期的習慣を捉えるために,時間的認識型GRUとユーザ情報型GRUで構成される階層型ネットワークを提案する。 提案モデルは、元のオンラインアプリケーションプロセスの複雑さを増すことなく、精度を向上させることができる。 実験結果はHUIHENの優位性を示し、HUIHENがすべてのデータセットで他の最先端モデルよりも優れていることを示す。

関連論文リスト

• Prompt Tuning as User Inherent Profile Inference Machine [53.78398656789463]
  本稿では,ユーザプロファイルの推測にプロンプトチューニングを用いるUserIP-Tuningを提案する。 プロファイル量子化コードブックは、プロファイル埋め込みによるモダリティギャップを協調IDにブリッジする。 4つの公開データセットの実験では、UserIP-Tuningは最先端のレコメンデーションアルゴリズムを上回っている。
  論文  参考訳（メタデータ） (2024-08-13T02:25:46Z)
• Modeling User Intent Beyond Trigger: Incorporating Uncertainty for Trigger-Induced Recommendation [11.699080619946045]
  我々は、Deep Uncertainty Intent Network (DUIN)と呼ばれる新しいモデルを提案する。 DUINは、Explicit Intent Exploit Module、Latent Intent Explore Module、Intent Uncertainty Measurement Moduleの3つの必須モジュールで構成されている。 DUINは、当社のEコマースプラットフォームにおける、Trigerによる推奨シナリオのすべてにデプロイされています。
  論文  参考訳（メタデータ） (2024-08-06T10:45:14Z)
• Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents [110.25679611755962]
  現在の言語モデル駆動エージェントは、しばしば効果的なユーザ参加のメカニズムを欠いている。 Intention-in-Interaction (IN3) は明示的なクエリを通してユーザの暗黙の意図を検査するための新しいベンチマークである。 私たちは、タスクの曖昧さを積極的に評価し、ユーザの意図を問う強力なモデルであるMistral-Interactを経験的に訓練し、それらを実行可能な目標へと洗練させます。
  論文  参考訳（メタデータ） (2024-02-14T14:36:30Z)
• Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation [28.29435760797856]
  本稿では,TIRシナリオにおけるクリックスルーレート予測のための新しい手法であるDeep Evolutional Instant Interest Network (DEI2N)を提案する。 我々は,ユーザがスクロールダウンした場合の瞬間的関心の強度の動的変化を予測するために,ユーザインスタント・関心モデリング・レイヤを設計する。 オフラインおよび実世界の産業データセットを用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-15T15:27:24Z)
• Explainable Active Learning for Preference Elicitation [0.0]
  我々は、最小限のユーザ労力で情報取得を最大化することを目的として、この問題を解決するためにアクティブラーニング(AL)を採用している。 ALは、大きなラベルのない集合から情報的データを選択して、それらをラベル付けするオラクルを問い合わせる。 ベースとなる機械学習(ML)モデルを更新するために、ユーザからのフィードバック(提示された項目に関するシステムの説明のために)を情報的なサンプルから収集する。
  論文  参考訳（メタデータ） (2023-09-01T09:22:33Z)
• Graph Based Long-Term And Short-Term Interest Model for Click-Through Rate Prediction [8.679270588565398]
  GLSMと呼ばれるグラフに基づく長期短期利害モデルを提案する。 長期ユーザ行動のキャプチャのための多目的グラフ構造と、短期情報モデリングのための多シナリオ異種シーケンスモデルと、長期および短期行動からの融合情報に対する適応的融合機構とから構成される。
  論文  参考訳（メタデータ） (2023-06-05T07:04:34Z)
• 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)
• Sampling Is All You Need on Modeling Long-Term User Behaviors for CTR Prediction [15.97120392599086]
  textbfM(textbfSampling-based textbfDeep textbfModeling)を提案する。 提案手法は, 長期ユーザ行動のモデル化において, 標準的な注意モデルと同等に機能することが理論的, 実験的に示されている。
  論文  参考訳（メタデータ） (2022-05-20T15:20:52Z)
• PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
  我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。 従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。 その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
  論文  参考訳（メタデータ） (2022-05-09T18:26:51Z)
• Supporting Financial Inclusion with Graph Machine Learning and Super-App Alternative Data [63.942632088208505]
  スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。 本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
  論文  参考訳（メタデータ） (2021-02-19T15:13:06Z)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。