論文の概要: Optimizing Offer Sets in Sub-Linear Time
- arxiv url: http://arxiv.org/abs/2011.08606v1
- Date: Tue, 17 Nov 2020 13:02:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 17:42:30.381972
- Title: Optimizing Offer Sets in Sub-Linear Time
- Title（参考訳）: 準線形時間におけるオファーセットの最適化
- Authors: Vivek F. Farias, Andrew A. Li, and Deeksha Sinha
- Abstract要約: 本稿では,各項目数のサブ線形時間内で動作するパーソナライズされたオファーセット最適化アルゴリズムを提案する。
私たちのアルゴリズムは完全にデータ駆動で、ユーザーのサンプルに依存します。
- 参考スコア（独自算出の注目度）: 5.027714423258537
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Personalization and recommendations are now accepted as core competencies in
just about every online setting, ranging from media platforms to e-commerce to
social networks. While the challenge of estimating user preferences has
garnered significant attention, the operational problem of using such
preferences to construct personalized offer sets to users is still a challenge,
particularly in modern settings where a massive number of items and a
millisecond response time requirement mean that even enumerating all of the
items is impossible. Faced with such settings, existing techniques are either
(a) entirely heuristic with no principled justification, or (b) theoretically
sound, but simply too slow to work.
Thus motivated, we propose an algorithm for personalized offer set
optimization that runs in time sub-linear in the number of items while enjoying
a uniform performance guarantee. Our algorithm works for an extremely general
class of problems and models of user choice that includes the mixed multinomial
logit model as a special case. We achieve a sub-linear runtime by leveraging
the dimensionality reduction from learning an accurate latent factor model,
along with existing sub-linear time approximate near neighbor algorithms. Our
algorithm can be entirely data-driven, relying on samples of the user, where a
`sample' refers to the user interaction data typically collected by firms. We
evaluate our approach on a massive content discovery dataset from Outbrain that
includes millions of advertisements. Results show that our implementation
indeed runs fast and with increased performance relative to existing fast
heuristics.
- Abstract（参考訳）: パーソナライズとレコメンデーションは、メディアプラットフォームからeコマース、ソーシャルネットワークまで、ほぼすべてのオンライン環境でコアコンピテンシーとして受け入れられている。
利用者の嗜好を推定する課題は注目されているが、特に大量のアイテムとミリ秒の応答時間要件によって全てのアイテムを列挙することさえ不可能な近代的な環境では、ユーザに対してパーソナライズされたオファーセットを構築するためにそのような選好を使用するという運用上の問題は依然として課題である。
このような状況に直面した既存の技術は
a) 原則的正当化のない完全にヒューリスティック、または
(b)理論上は音がするが、動作が遅すぎる。
そこで,提案手法では,アイテム数で時間サブ線形に動作し,性能保証の均一性を享受するパーソナライズドオファーセット最適化アルゴリズムを提案する。
本アルゴリズムは,混合多項ロジットモデルを含む極めて一般的な問題クラスとユーザ選択モデルに対して,特別な場合として動作する。
我々は,既存の線形時間近似アルゴリズムとともに,正確な潜在因子モデルを学習することで,次元の減少を生かして,サブ線形実行を実現する。
当社のアルゴリズムは,企業で一般的に収集されるユーザインタラクションデータを‘サンプル’と呼ぶ,ユーザのサンプルに依存することで,データ駆動型にすることが可能だ。
我々は、何百万もの広告を含むOutbrainからの大量のコンテンツ発見データセットに対するアプローチを評価した。
その結果,我々の実装は,既存の高速ヒューリスティックスと比較して高速かつ高い性能で動作していることがわかった。
関連論文リスト
- Few-shot Steerable Alignment: Adapting Rewards and LLM Policies with Neural Processes [50.544186914115045]
大きな言語モデル(LLM)は、日々のアプリケーションにますます組み込まれています。
個人ユーザの多様な嗜好との整合性を確保することは、重要な課題となっている。
数発のステアライメントの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） (2024-12-18T16:14:59Z) - Stop Relying on No-Choice and Do not Repeat the Moves: Optimal,
Efficient and Practical Algorithms for Assortment Optimization [38.57171985309975]
本研究では,emphPlackett Luce (PL) を用いたコンソーシアム選択問題に対する効率的なアルゴリズムを開発した。
提案手法は,既存の手法の限界を無視し,実用的かつ確実に最適である。
論文 参考訳（メタデータ） (2024-02-29T07:17:04Z) - Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。
第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。
第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文 参考訳（メタデータ） (2023-07-26T16:19:19Z) - Sample-Efficient Personalization: Modeling User Parameters as Low Rank
Plus Sparse Components [30.32486162748558]
個人ユーザ/ドメイン/エンタプライズに対する機械学習(ML)予測のパーソナライズは,実践的なレコメンデーションシステムにおいて重要である。
ネットワーク重みを低ランクおよびスパース成分の和としてモデル化するメタラーニング方式を提案する。
AMHT-LRSは、ほぼ最適なサンプル複雑さで効率よく問題を解く。
論文 参考訳（メタデータ） (2022-10-07T12:50:34Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - FAIRLEARN:Configurable and Interpretable Algorithmic Fairness [1.2183405753834557]
トレーニングサンプルから生じるバイアスや、データサンプルに関する暗黙の仮定を緩和する必要がある。
最適化の異なる段階でバイアスを検出し緩和することで、学習アルゴリズムを公平にするために多くのアプローチが提案されている。
本稿では,ユーザの制約を最適化手順に組み込むことで,公平なアルゴリズムを生成するFAIRLEARN手順を提案する。
論文 参考訳（メタデータ） (2021-11-17T03:07:18Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳（メタデータ） (2021-09-13T18:10:52Z) - Differentially Private Query Release Through Adaptive Projection [19.449593001368193]
我々は,$k$-way マージンのような膨大な統計クエリに対する回答を解放するための新しいアルゴリズムを提案し,実装し,評価する。
我々のアルゴリズムは、単純な摂動を用いて、プライベートデータセット上のクエリに応答するプロジェクションメカニズムの連続緩和を適応的に利用する。
特に,プライバシ予算が小さい場合や,クエリクラスが大きい場合など,既存のアルゴリズムよりも優れていることが判明した。
論文 参考訳（メタデータ） (2021-03-11T12:43:18Z) - Learning User Preferences in Non-Stationary Environments [42.785926822853746]
オンラインノンステーショナリーレコメンデーションシステムのための新しいモデルを紹介します。
好みが変化しない場合でも,我々のアルゴリズムが他の静的アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-01-29T10:26:16Z) - Fast Rates for Contextual Linear Optimization [52.39202699484225]
提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。
予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
論文 参考訳（メタデータ） (2020-11-05T18:43:59Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。