論文の概要: Graph Intention Network for Click-through Rate Prediction in Sponsored
Search
- arxiv url: http://arxiv.org/abs/2103.16164v1
- Date: Tue, 30 Mar 2021 08:44:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 14:45:17.310863
- Title: Graph Intention Network for Click-through Rate Prediction in Sponsored
Search
- Title(参考訳): スポンサー検索におけるクリックスルーレート予測のためのグラフ意図ネットワーク
- Authors: Feng Li, Zhenrui Chen, Pengjie Wang, Yi Ren, Di Zhang, Xiaoyu Zhu
- Abstract要約: クリックスルー率(CTR)の推定は、スポンサード検索におけるユーザーエクスペリエンスと収益の向上に不可欠です。
現在の作業の大部分は、ユーザのリアルタイム行動に基づいて意図を掘り下げることです。
本稿では,ユーザ意図をマイニングするために,共起商品グラフに基づく新しいアプローチグラフインテンションネットワーク(gin)を提案する。
- 参考スコア(独自算出の注目度): 7.8836754883280555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating click-through rate (CTR) accurately has an essential impact on
improving user experience and revenue in sponsored search. For CTR prediction
model, it is necessary to make out user real-time search intention. Most of the
current work is to mine their intentions based on user real-time behaviors.
However, it is difficult to capture the intention when user behaviors are
sparse, causing the behavior sparsity problem. Moreover, it is difficult for
user to jump out of their specific historical behaviors for possible interest
exploration, namely weak generalization problem. We propose a new approach
Graph Intention Network (GIN) based on co-occurrence commodity graph to mine
user intention. By adopting multi-layered graph diffusion, GIN enriches user
behaviors to solve the behavior sparsity problem. By introducing co-occurrence
relationship of commodities to explore the potential preferences, the weak
generalization problem is also alleviated. To the best of our knowledge, the
GIN method is the first to introduce graph learning for user intention mining
in CTR prediction and propose end-to-end joint training of graph learning and
CTR prediction tasks in sponsored search. At present, GIN has achieved
excellent offline results on the real-world data of the e-commerce platform
outperforming existing deep learning models, and has been running stable tests
online and achieved significant CTR improvements.
- Abstract(参考訳): クリックスルー率(CTR)を正確に推定することは、ユーザエクスペリエンスの向上とスポンサード検索の収益に重要な影響を与える。
CTR予測モデルでは,ユーザのリアルタイム検索意図を明らかにする必要がある。
現在の作業の大部分は、ユーザのリアルタイム行動に基づいて意図を掘り下げることです。
しかし,ユーザの行動が疎い場合の意図を捉えることは困難であり,行動空間の問題を引き起こす。
さらに、利用者が興味をそそる探索、すなわち弱い一般化問題のために、特定の歴史的行動から飛び出すことは困難である。
本稿では,ユーザ意図をマイニングするために,共起商品グラフに基づく新しいアプローチグラフインテンションネットワーク(gin)を提案する。
多層グラフ拡散を採用することで、GINはユーザの振る舞いを豊かにし、振る舞いの空間性問題を解決する。
商品の共起関係を導入して潜在的な嗜好を探索することにより、弱一般化問題も緩和される。
我々の知る限り、GIN法は、初めてCTR予測におけるユーザ意図マイニングのためのグラフ学習を導入し、スポンサー付き検索におけるグラフ学習とCTR予測タスクのエンドツーエンド共同トレーニングを提案する。
現在ginは、既存のディープラーニングモデルを上回るeコマースプラットフォームの実世界のデータで優れたオフライン結果を達成しており、オンラインで安定したテストを実行し、ctrを大幅に改善している。
関連論文リスト
- Bayes-enhanced Multi-view Attention Networks for Robust POI
Recommendation [81.4999547454189]
既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。
実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。
本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
論文 参考訳(メタデータ) (2023-11-01T12:47:38Z) - 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) - A Deep Behavior Path Matching Network for Click-Through Rate Prediction [9.800832176496002]
本稿では,ユーザの現在の行動経路と過去の行動経路とを一致させて,ユーザの行動を予測することを提案する。
我々は,行動経路マッチングのためのディープニューラルネットワークを設計し,行動経路の空間性,ノイズ干渉,行動経路の正確なマッチングという3つの問題を解決する。
本モデルでは,2つの実世界のデータセットにおいて,最先端のCTRモデルよりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-02-01T08:08:21Z) - 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) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳(メタデータ) (2022-06-17T08:32:43Z) - 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) - Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。
メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。
MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
論文 参考訳(メタデータ) (2021-10-18T08:11:24Z) - Graph Trend Networks for Recommendations [34.06649831739749]
推薦システムの鍵は、ユーザーが過去のオンライン行動に基づいてアイテムと対話する可能性を予測することである。
これらのユーザ-イテム相互作用を利用するために、ユーザ-イテム相互作用をユーザ-イテム二部グラフとして考慮する取り組みが増えている。
彼らの成功にもかかわらず、既存のGNNベースのレコメンデーターシステムは、信頼できない振る舞いによって引き起こされる相互作用を見逃している。
本稿では,グラフトレンドネットワークによるレコメンデーション(GTN)を提案する。
論文 参考訳(メタデータ) (2021-08-12T06:09:18Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳(メタデータ) (2021-07-29T00:02:06Z) - 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。