論文の概要: That looks interesting! Personalizing Communication and Segmentation with Random Forest Node Embeddings

• arxiv url: http://arxiv.org/abs/2009.05931v1
• Date: Sun, 13 Sep 2020 06:14:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 02:41:51.955227
• Title: That looks interesting! Personalizing Communication and Segmentation with Random Forest Node Embeddings
• Title（参考訳）: 面白そうに見えます! ランダムフォレストノード埋め込みによるコミュニケーションとセグメンテーションのパーソナライズ
• Authors: Weiwei Wang, Wiebke Eberhardt, Stefano Bromuri
• Abstract要約: 参加者の興味に合ったメールニュースレターをモデル化するための機械学習アプローチについて述べる。 モデリングと分析のためのデータは、オランダの大手年金業者が送信したニュースレターから収集される。 説明的な部分では、アルゴリズムはマーケティング部門が使用可能な顧客セグメントを特定することができる。
• 参考スコア（独自算出の注目度）: 2.5503110946433365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Communicating effectively with customers is a challenge for many marketers, but especially in a context that is both pivotal to individual long-term financial well-being and difficult to understand: pensions. Around the world, participants are reluctant to consider their pension in advance, it leads to a lack of preparation of their pension retirement [1], [2]. In order to engage participants to obtain information on their expected pension benefits, personalizing the pension providers' email communication is a first and crucial step. We describe a machine learning approach to model email newsletters to fit participants' interests. The data for the modeling and analysis is collected from newsletters sent by a large Dutch pension provider of the Netherlands and is divided into two parts. The first part comprises 2,228,000 customers whereas the second part comprises the data of a pilot study, which took place in July 2018 with 465,711 participants. In both cases, our algorithm extracts features from continuous and categorical data using random forests, and then calculates node embeddings of the decision boundaries of the random forest. We illustrate the algorithm's effectiveness for the classification task, and how it can be used to perform data mining tasks. In order to confirm that the result is valid for more than one data set, we also illustrate the properties of our algorithm in benchmark data sets concerning churning. In the data sets considered, the proposed modeling demonstrates competitive performance with respect to other state of the art approaches based on random forests, achieving the best Area Under the Curve (AUC) in the pension data set (0.948). For the descriptive part, the algorithm can identify customer segmentations that can be used by marketing departments to better target their communication towards their customers.
• Abstract（参考訳）: 顧客と効果的にコミュニケーションをとることは、多くのマーケターにとって課題だが、特に長期的な財政的幸福と理解が難しい状況において重要な意味を持つ。 世界中の参加者は、前もって年金を検討することに消極的であり、年金の退職準備が不足している [1], [2]。 参加者が期待する年金給付に関する情報を得るためには、年金提供者の電子メールコミュニケーションのパーソナライズが第一、かつ重要なステップである。 参加者の興味に合うメールニュースレターをモデル化する機械学習アプローチについて述べる。 モデリングと分析のためのデータは、オランダの大オランダ年金提供者から送られたニュースレターから収集され、2つの部分に分けられる。 第1部は222万8000人の顧客からなり、第2部は2018年7月に行われたパイロット調査のデータで、465,711人が参加している。 いずれの場合においても,ランダムフォレストを用いて連続的およびカテゴリ的データから特徴を抽出し,ランダムフォレストの決定境界のノード埋め込みを計算する。 本稿では,分類タスクに対するアルゴリズムの有効性と,データマイニングタスクの実行方法について説明する。 また,複数のデータセットに対して結果が有効であることを確認するため,チャーニングに関するベンチマークデータセットにおけるアルゴリズムの特性についても述べる。 検討したデータセットにおいて,提案手法は,ランダム林をベースとした技術手法の他の状況に対する競争性能を示し,年金データセット(0.948)で最高のエリアアンダー・ザ・カーブ(AUC)を達成する。 説明的な部分では、アルゴリズムはマーケティング部門が顧客に対するコミュニケーションをよりターゲットにするために使用できる顧客セグメンテーションを特定することができる。

関連論文リスト

• SPAM: Stochastic Proximal Point Method with Momentum Variance Reduction for Non-convex Cross-Device Federated Learning [48.072207894076556]
  デバイス間のトレーニングは、クライアントの数が何十億にも達する、学習のサブフィールドです。 標準アプローチとローカルメソッドは、デバイス間の類似性と同じくらい重要な問題になりがちである。 当社の手法は,同種のデータを持つクライアントの客観的かつ実証的なメリットを必要としない,この種の最初の手法である。
  論文  参考訳（メタデータ） (2024-05-30T15:07:30Z)
• Additive-Effect Assisted Learning [17.408937094829007]
  我々はエージェントAliceのための2段階学習アーキテクチャを開発し、別のエージェントBobの助けを求める。 最初の段階では、Alice が Bob のデータの有用性を決定するために、プライバシを意識した仮説テストベースのスクリーニング手法を提案する。 Alice は,理論的にも数値的にも,訓練が集中的なデータからであるかのように,オラクルのパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2024-05-13T23:24:25Z)
• How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
  ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。 モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。 本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-04-04T13:55:06Z)
• Learn What You Need in Personalized Federated Learning [53.83081622573734]
  $textitLearn2pFed$は、アルゴリズムに基づくパーソナライズされたフェデレーション学習フレームワークである。 我々は、textitLearn2pFed$が、従来のパーソナライズされたフェデレーション学習方法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-16T12:45:15Z)
• A churn prediction dataset from the telecom sector: a new benchmark for uplift modeling [0.1474723404975345]
  本稿では,チャーン予測に着目したアップリフトモデリングのための新しいベンチマークデータセットを提案する。 これは、チャーン予測問題におけるアップリフトモデリングの効率を評価する可能性を提供する最初の公開データセットである。
  論文  参考訳（メタデータ） (2023-12-12T12:19:13Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Incentivising the federation: gradient-based metrics for data selection and valuation in private decentralised training [15.233103072063951]
  本研究では,個人トレーニングの参加者が共同学習モデルに最も有用なデータを選択するために,勾配情報を活用する方法について検討する。 これらの技術は、より厳密なプライバシー設定であっても、フェデレートされたクライアントに、原則化されたデータ選択のためのツールを提供することができることを示す。
  論文  参考訳（メタデータ） (2023-05-04T15:44:56Z)
• DPP-based Client Selection for Federated Learning with Non-IID Data [97.1195165400568]
  本稿では,統合学習(FL)のコミュニケーションボトルネックに対処するクライアント選択(CS)手法を提案する。 まず、FLにおけるCSの効果を分析し、各学習ラウンドにおけるトレーニングデータセットの多様化に参加者を適切に選択することで、FLトレーニングを加速させることができることを示す。 我々は、データプロファイリングと決定点プロセス(DPP)サンプリング技術を活用し、DPPに基づく参加者選択(FL-DP$3$S)によるフェデレートラーニング(Federated Learning)と呼ばれるアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-03-30T13:14:54Z)
• Federated Feature Selection for Cyber-Physical Systems of Systems [0.3609538870261841]
  自動運転車の一群は、データ伝送を99%まで減らし、無視できない情報損失を抑えるために利用する、最適な機能セットに関するコンセンサスを見つける。 以上の結果から、自動運転車の車両群は、データ伝送を99%まで減らし、無視できる情報損失を減らし、最適な機能セットにコンセンサスを見出すことができた。
  論文  参考訳（メタデータ） (2021-09-23T12:16:50Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。