論文の概要: Delayed Feedback Modeling for the Entire Space Conversion Rate Prediction

• arxiv url: http://arxiv.org/abs/2011.11826v1
• Date: Tue, 24 Nov 2020 01:14:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 13:46:52.463215
• Title: Delayed Feedback Modeling for the Entire Space Conversion Rate Prediction
• Title（参考訳）: 空間変換率予測のための遅延フィードバックモデル
• Authors: Yanshi Wang, Jie Zhang, Qing Da, Anxiang Zeng
• Abstract要約: クリック後変換率(CVR)を正確に推定することはEコマースにおいて重要である。 本稿では,上記の3つの課題に同時に取り組むために,新しいニューラルネットワークフレームワークESDFを提案する。
• 参考スコア（独自算出の注目度）: 15.579755993971657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating post-click conversion rate (CVR) accurately is crucial in E-commerce. However, CVR prediction usually suffers from three major challenges in practice: i) data sparsity: compared with impressions, conversion samples are often extremely scarce; ii) sample selection bias: conventional CVR models are trained with clicked impressions while making inference on the entire space of all impressions; iii) delayed feedback: many conversions can only be observed after a relatively long and random delay since clicks happened, resulting in many false negative labels during training. Previous studies mainly focus on one or two issues while ignoring the others. In this paper, we propose a novel neural network framework ESDF to tackle the above three challenges simultaneously. Unlike existing methods, ESDF models the CVR prediction from a perspective of entire space, and combines the advantage of user sequential behavior pattern and the time delay factor. Specifically, ESDF utilizes sequential behavior of user actions on the entire space with all impressions to alleviate the sample selection bias problem. By sharing the embedding parameters between CTR and CVR networks, data sparsity problem is greatly relieved. Different from conventional delayed feedback methods, ESDF does not make any special assumption about the delay distribution. We discretize the delay time by day slot and model the probability based on survival analysis with deep neural network, which is more practical and suitable for industrial situations. Extensive experiments are conducted to evaluate the effectiveness of our method. To the best of our knowledge, ESDF is the first attempt to unitedly solve the above three challenges in CVR prediction area.
• Abstract（参考訳）: クリック後変換率(CVR)を正確に推定することはEコマースにおいて重要である。 しかし、CVR予測は通常、3つの大きな課題に悩まされる。 i) データスパーシティ:インプレッションと比較すると、変換サンプルは極めて少ないことが多い。 二 サンプル選択バイアス:従来のCVRモデルは、すべての印象の空間全体を推測しながらクリックインプレッションで訓練する。 iii) 遅延フィードバック: クリックが発生して以来、比較的長くランダムな遅延後にのみ多くの変換が観察でき、トレーニング中に偽陰性ラベルが多数発生する。 それまでの研究は主に1つか2つの問題に焦点を合わせ、他の問題を無視した。 本稿では,上記の3つの課題を同時に解決する新しいニューラルネットワークフレームワークESDFを提案する。 既存の手法とは異なり、ESDFは空間全体の観点からCVR予測をモデル化し、ユーザシーケンシャルな動作パターンと時間遅延係数の利点を組み合わせた。 具体的には、ESDFは、全空間におけるユーザアクションのシーケンシャルな振る舞いを利用して、すべての印象でサンプル選択バイアス問題を緩和する。 CTRとCVRネットワーク間での埋め込みパラメータの共有により、データ空間の問題を大幅に緩和する。 従来の遅延フィードバック法とは異なり、ESDFは遅延分布について特別な仮定をしていない。 本研究は,より実用的で産業に適した深層ニューラルネットワークを用いた生存分析に基づいて,日中遅延時間を識別し,その確率をモデル化する。 本手法の有効性を評価するために広範な実験を行った。 我々の知る限り、ESDFはCVR予測領域における上記の3つの課題を統一的に解決する最初の試みである。

関連論文リスト

• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Contrastive Learning for Conversion Rate Prediction [6.607531486024888]
  本稿では,CL4CVR(Contrastive Learning for CVR Prediction)フレームワークを提案する。 教師付きCVR予測タスクと、より良いデータ表現を学ぶための対照的な学習タスクを関連付ける。 2つの実世界の変換データセットの実験結果は、CL4CVRの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-07-12T07:42:52Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Entire Space Counterfactual Learning: Tuning, Analytical Properties and Industrial Applications [5.9460659646670875]
  クリック後変換率(CVR)の推定は、長い間、サンプル選択バイアスとデータ空間の問題に悩まされてきた。 本稿では,全空間対物マルチタスクモデル (ESCM$2$) を提案する。
  論文  参考訳（メタデータ） (2022-10-20T06:19:50Z)
• Conversion Rate Prediction via Meta Learning in Small-Scale Recommendation Scenarios [17.02759665047561]
  本稿では,データ分散ゆらぎ(DDF)問題に対処するメタ学習の観点から,MetaCVRという新しいCVR手法を提案する。 我々の知る限りでは、小規模なレコメンデーションシナリオにおけるDFF問題を対象としたCVR予測の最初の研究である。
  論文  参考訳（メタデータ） (2021-12-27T16:05:42Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
  正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。 精度を向上させるために,2つの軽量モジュールを提案する。 DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。 QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
  論文  参考訳（メタデータ） (2021-05-27T13:51:42Z)
• Robust Neural Networks Outperform Attitude Estimation Filters [0.3867363075280543]
  RIANNは、堅牢なIMUベースの姿勢推定のためのリアルタイム対応ニューラルネットワークです。 我々は2つの公開データセットをメソッド開発とトレーニングに活用する。 3つの異なるテストシナリオでトレーニングされたニューラルネットワークを評価するために、4つのまったく異なるデータセットを追加します。
  論文  参考訳（メタデータ） (2021-04-15T11:40:25Z)
• Capturing Delayed Feedback in Conversion Rate Prediction via Elapsed-Time Sampling [29.77426549280091]
  コンバージョンレート(CVR)予測は、デジタルディスプレイ広告において最も重要なタスクの1つである。 Elapsed-Time Smpling Delayed Feedback Model (ES-DFM) を提案する。
  論文  参考訳（メタデータ） (2020-12-06T12:20:50Z)
• Consistency Guided Scene Flow Estimation [159.24395181068218]
  CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。 提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。 最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
  論文  参考訳（メタデータ） (2020-06-19T17:28:07Z)

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。