論文の概要: Deep Learning for Click-Through Rate Estimation

• arxiv url: http://arxiv.org/abs/2104.10584v1
• Date: Wed, 21 Apr 2021 15:25:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 16:56:14.638487
• Title: Deep Learning for Click-Through Rate Estimation
• Title（参考訳）: クリックスルー率推定のためのディープラーニング
• Authors: Weinan Zhang, Jiarui Qin, Wei Guo, Ruiming Tang, Xiuqiang He
• Abstract要約: クリックスルー率(CTR)推定は、さまざまなパーソナライズされたオンラインサービスの中核機能モジュールとして機能します。 2015年からディープラーニングの成功はCTRの推定性能の恩恵を受け始め、今では多くの産業プラットホームで深いCTRモデルが広く適用されました。
• 参考スコア（独自算出の注目度）: 45.26953192035298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Click-through rate (CTR) estimation plays as a core function module in various personalized online services, including online advertising, recommender systems, and web search etc. From 2015, the success of deep learning started to benefit CTR estimation performance and now deep CTR models have been widely applied in many industrial platforms. In this survey, we provide a comprehensive review of deep learning models for CTR estimation tasks. First, we take a review of the transfer from shallow to deep CTR models and explain why going deep is a necessary trend of development. Second, we concentrate on explicit feature interaction learning modules of deep CTR models. Then, as an important perspective on large platforms with abundant user histories, deep behavior models are discussed. Moreover, the recently emerged automated methods for deep CTR architecture design are presented. Finally, we summarize the survey and discuss the future prospects of this field.
• Abstract（参考訳）: クリックスルーレート(CTR)推定は、オンライン広告、レコメンダシステム、Web検索など、さまざまなパーソナライズされたオンラインサービスにおいてコア機能モジュールとして機能する。 2015年以降、ディープラーニングの成功はCTR推定性能の恩恵を受け始め、現在では多くの産業プラットフォームで深層CTRモデルが広く採用されている。 本稿では,CTR推定タスクのためのディープラーニングモデルの総合的なレビューを行う。 まず、浅いCTRモデルから深いCTRモデルへの移行についてレビューし、なぜ深層化が開発に必要なトレンドなのかを説明する。 次に,深部CTRモデルの明示的特徴相互作用学習モジュールに着目した。 次に,ユーザ履歴が豊富な大規模プラットフォームにおいて重要な視点として,深い行動モデルについて論じる。 さらに,最近登場した深部CTRアーキテクチャ設計のための自動化手法についても紹介する。 最後に,調査をまとめ,この分野の今後の展望について考察する。

関連論文リスト

• Unified Off-Policy Learning to Rank: a Reinforcement Learning Perspective [61.4025671743675]
  メソッドをランク付けするオフポリシー学習は、ユーザがクリックデータを生成する方法に関して、強い仮定をすることが多い。 オフライン強化学習は,複雑なデバイアス手法や事前知識を使わずに,様々なクリックモデルに適応できることを示す。 様々な大規模データセットの結果から、CUOLRはアルゴリズムのランク付けに最先端のオフポリシー学習を一貫して上回っていることが示される。
  論文  参考訳（メタデータ） (2023-06-13T03:46:22Z)
• DELTA: Dynamic Embedding Learning with Truncated Conscious Attention for CTR Prediction [61.68415731896613]
  CTR(Click-Through Rate)予測は、製品とコンテンツの推奨において重要なタスクである。 本稿では,CTR予測のための動的埋め込み学習を実現するモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-03T12:34:45Z)
• Directed Acyclic Graph Factorization Machines for CTR Prediction via Knowledge Distillation [65.62538699160085]
  本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。 KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
  論文  参考訳（メタデータ） (2022-11-21T03:09:42Z)
• Click-Through Rate Prediction in Online Advertising: A Literature Review [0.0]
  我々は,最新のCTR予測研究について,系統的な文献レビューを行っている。 現代文献における最先端CTR予測モデルの分類について述べる。 我々は、現在の研究動向、主な課題、今後の今後の展望を、さらなる探査にふさわしいものとみなす。
  論文  参考訳（メタデータ） (2022-02-22T01:05:38Z)
• A First Look at Class Incremental Learning in Deep Learning Mobile Traffic Classification [68.11005070665364]
  インクリメンタルラーニング(IL)技術を使って、モデルに新しいクラスをフルリトレーニングせずに追加し、モデルのアップデートサイクルを高速化します。 iCarlはアートILメソッドのステートであり、MIRAGE-2019は40のAndroidアプリからのトラフィックを持つパブリックデータセットである。 解析によってその初期段階が明らかになっているにもかかわらず、IL技術は自動DLベースの交通分析システムへのロードマップに関する有望な研究分野である。
  論文  参考訳（メタデータ） (2021-07-09T14:28:16Z)
• Looking at CTR Prediction Again: Is Attention All You Need? [4.873362301533825]
  クリックスルー率(CTR)予測は、ウェブ検索、レコメンデーションシステム、オンライン広告表示における重要な問題です。 経済学において離散選択モデルを用いてCTR予測問題を再定義し,自己認識機構に基づく汎用ニューラルネットワークフレームワークを提案する。 既存のCTR予測モデルのほとんどは、提案された一般的なフレームワークと一致することが判明した。
  論文  参考訳（メタデータ） (2021-05-12T10:27:14Z)
• Efficient Click-Through Rate Prediction for Developing Countries via Tabular Learning [2.916402752324148]
  CTR(Click-Through Rate)予測モデルは,限られた計算資源のため,展開が困難である。 本稿では,表型学習モデルがCTR予測においてより効率的かつ有効であることを示す。
  論文  参考訳（メタデータ） (2021-04-15T16:07:25Z)
• On the Interpretability of Deep Learning Based Models for Knowledge Tracing [5.120837730908589]
  知識追跡により、Intelligent Tutoring Systemsは、学生が習得したトピックやスキルを推測することができる。 Deep Knowledge Tracing(DKT)やDynamic Key-Value Memory Network(DKVMN)といったディープラーニングベースのモデルは、大幅に改善されている。 しかし、これらのディープラーニングベースのモデルは、ディープニューラルネットワークによって学習される意思決定プロセスが完全には理解されていないため、他のモデルほど解釈できない。
  論文  参考訳（メタデータ） (2021-01-27T11:55:03Z)
• Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
  本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。 具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。 実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
  論文  参考訳（メタデータ） (2020-05-13T04:03:21Z)
• Deep Time-Stream Framework for Click-Through Rate Prediction by Tracking Interest Evolution [33.090918958117946]
  我々は,CTRモデルにおけるユーザ関心傾向を,豊富な歴史的行動から追跡するために,継続時間情報を検討する必要があると論じている。 通常の微分方程式(ODE)による時間情報を提供する新しい時間ストリームフレームワーク(DTS)を提案する。 DTSは、ニューラルネットワークを使用して関心の進化を継続的にモデル化し、ユーザの関心を動的に表現する課題に取り組むことができる。
  論文  参考訳（メタデータ） (2020-01-08T10:33:23Z)

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。