論文の概要: Automatic Historical Feature Generation through Tree-based Method in Ads
Prediction
- arxiv url: http://arxiv.org/abs/2012.15522v1
- Date: Thu, 31 Dec 2020 09:54:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-17 17:04:09.188572
- Title: Automatic Historical Feature Generation through Tree-based Method in Ads
Prediction
- Title(参考訳): 広告予測における木に基づく履歴特徴の自動生成
- Authors: Hongjian Wang, Qi Li, Lanbo Zhang, Yue Lu, Steven Yoo, Srinivas
Vadrevu, Zhenhui Li
- Abstract要約: キー選択を数える木に基づく手法を提案する。
パーソナライズされたカウント機能を選択するために、ユーザ毎に1つの決定木モデルをトレーニングする。
われわれはtwitterのビデオ広告データを大規模に実験している。
- 参考スコア(独自算出の注目度): 22.316964341307212
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Historical features are important in ads click-through rate (CTR) prediction,
because they account for past engagements between users and ads. In this paper,
we study how to efficiently construct historical features through counting
features. The key challenge of such problem lies in how to automatically
identify counting keys. We propose a tree-based method for counting key
selection. The intuition is that a decision tree naturally provides various
combinations of features, which could be used as counting key candidate. In
order to select personalized counting features, we train one decision tree
model per user, and the counting keys are selected across different users with
a frequency-based importance measure. To validate the effectiveness of proposed
solution, we conduct large scale experiments on Twitter video advertising data.
In both online learning and offline training settings, the automatically
identified counting features outperform the manually curated counting features.
- Abstract(参考訳): 歴史的特徴は、ユーザーと広告の間の過去のエンゲージメントを考慮に入れているため、広告クリックスルー率(CTR)予測において重要である。
本稿では,過去の特徴を計数的特徴量を用いて効率的に構築する方法について検討する。
このような問題の鍵となる課題は、カウントキーを自動的に識別する方法にある。
キー選択を数える木に基づく手法を提案する。
直感的には、決定木は自然に様々な特徴の組み合わせを提供し、キー候補の数え上げに使うことができる。
パーソナライズされた計数機能を選択するために,ユーザ毎に1つの決定木モデルをトレーニングし,各ユーザ間で計数キーを頻度ベースの重要度尺度で選択する。
提案手法の有効性を検証するため,twitterビデオ広告データを用いて大規模実験を行った。
オンライン学習とオフライントレーニングの両方で、自動的に識別されるカウント機能は、手作業によるカウント機能よりも優れている。
関連論文リスト
- Greedy feature selection: Classifier-dependent feature selection via
greedy methods [2.4374097382908477]
本研究の目的は, グリージーな特徴選択に追随する特徴選択と呼ばれる, 分類タスクにおける特徴ランク付けのための新しいアプローチを導入することである。
このようなスキームの利点は、Vapnik-Chervonenkis(VC)次元やカーネルアライメントといったモデルキャパシティインジケータの観点から理論的に研究されている。
論文 参考訳(メタデータ) (2024-03-08T08:12:05Z) - Automated Model Selection for Tabular Data [0.1797555376258229]
Rの混合効果線形モデルライブラリは、モデル設計において対話的な機能の組み合わせを提供することができる。
特徴的相互作用を取り入れたデータセットの予測のためのモデル選択プロセスを自動化することを目的としている。
このフレームワークには、優先順位に基づくランダムグリッド検索とグレディ検索という、2つの異なる機能選択のアプローチが含まれている。
論文 参考訳(メタデータ) (2024-01-01T21:41:20Z) - Object Recognition as Next Token Prediction [105.334222837841]
オブジェクト認識を次のトークン予測として提案する。
その考え方は、画像埋め込みからフォームラベルへのテキストトークンの自動回帰予測を行う言語デコーダを適用することである。
論文 参考訳(メタデータ) (2023-12-04T18:58:40Z) - An Omnidirectional Approach to Touch-based Continuous Authentication [6.83780085440235]
本稿では,スマートフォン上でのタッチ操作が,タッチスクリーンが捉えた動作を通じて,継続的なユーザ認証サービスを実現する方法に焦点を当てる。
タッチ方向とは無関係に従来の手法より優れる一方向アプローチを提案する。
TouchAlyticsの機能は、3つ以上のストロークを組み合わせれば、私たちのアプローチよりも優れています。
論文 参考訳(メタデータ) (2023-01-13T13:58:06Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2022-06-28T03:28:15Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳(メタデータ) (2022-01-31T13:01:37Z) - Fine-Grained Neural Network Explanation by Identifying Input Features
with Predictive Information [53.28701922632817]
入力領域における予測情報を用いて特徴を識別する手法を提案する。
我々の手法の中核となる考え方は、予測潜在機能に関連する入力機能のみを通過させる入力のボトルネックを活用することである。
論文 参考訳(メタデータ) (2021-10-04T14:13:42Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳(メタデータ) (2021-01-16T23:45:02Z) - Interactive Reinforcement Learning for Feature Selection with Decision
Tree in the Loop [41.66297299506421]
自動特徴選択における効率と効率のバランスの問題について検討する。
対話型強化学習(IRL)と決定木フィードバック(DTF)を同時にモデル化する対話型閉ループアーキテクチャを提案する。
実世界のデータセットに関する広範な実験を行い,その性能改善について述べる。
論文 参考訳(メタデータ) (2020-10-02T18:09:57Z) - Overcoming Statistical Shortcuts for Open-ended Visual Counting [54.858754825838865]
出力ラベルに関係なく、カウントする適切なメカニズムを学習するモデルを開発することを目的としている。
まず,統計的ショートカットに過度に依存するモデルを罰するModifying Count Distributionプロトコルを提案する。
第2に、視覚分析と自然言語質問に基づく数え上げを専門とする空間カウントネットワーク(SCN)を導入する。
論文 参考訳(メタデータ) (2020-06-17T18:02:01Z) - FREEtree: A Tree-based Approach for High Dimensional Longitudinal Data
With Correlated Features [2.00191482700544]
FREEtreeは高次元長手データと相関する特徴を持つ木に基づく手法である。
重み付き相関ネットワーク分析を用いて、まずそれらをクラスタリングすることで、特徴のネットワーク構造を利用する。
次に、各機能のクラスタ内でスクリーニングステップを実行し、残る機能の中から選択ステップを実行します。
論文 参考訳(メタデータ) (2020-06-17T07:28:11Z)
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。