論文の概要: XCrossNet: Feature Structure-Oriented Learning for Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2104.10907v1
• Date: Thu, 22 Apr 2021 07:37:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 21:13:51.925466
• Title: XCrossNet: Feature Structure-Oriented Learning for Click-Through Rate Prediction
• Title（参考訳）: xcrossnet:クリックスルー率予測のための構造指向学習
• Authors: Runlong Yu, Yuyang Ye, Qi Liu, Zihan Wang, Chunfeng Yang, Yucheng Hu, Enhong Chen
• Abstract要約: 提案するExtreme Cross Network(略してXCrossNet)は,高密度かつスパースな特徴相互作用を明示的な方法で学習することを目的としている。 特徴構造指向モデルとしてのXCrossNetは、より表現力のある表現とより正確なCTR予測をもたらす。 Criteo Kaggleデータセットに関する実験的研究は、XCrossNetの効率性と効率の両方に関する最先端のモデルに対する大幅な改善を示しています。
• 参考スコア（独自算出の注目度）: 46.72935114485706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Click-Through Rate (CTR) prediction is a core task in nowadays commercial recommender systems. Feature crossing, as the mainline of research on CTR prediction, has shown a promising way to enhance predictive performance. Even though various models are able to learn feature interactions without manual feature engineering, they rarely attempt to individually learn representations for different feature structures. In particular, they mainly focus on the modeling of cross sparse features but neglect to specifically represent cross dense features. Motivated by this, we propose a novel Extreme Cross Network, abbreviated XCrossNet, which aims at learning dense and sparse feature interactions in an explicit manner. XCrossNet as a feature structure-oriented model leads to a more expressive representation and a more precise CTR prediction, which is not only explicit and interpretable, but also time-efficient and easy to implement. Experimental studies on Criteo Kaggle dataset show significant improvement of XCrossNet over state-of-the-art models on both effectiveness and efficiency.
• Abstract（参考訳）: CTR(Click-Through Rate)予測は、近年の商業リコメンデータシステムにおける中核的なタスクである。 CTR予測研究のメインラインである機能横断は、予測性能を高めるための有望な方法を示している。 様々なモデルが手動のフィーチャエンジニアリングなしで機能の相互作用を学習できるが、異なる特徴構造の表現を個別に学習することはめったにない。 特に、クロススパースの特徴のモデリングに重点を置いているが、クロス密集した特徴を具体的に表現することを無視している。 そこで我々は,高密度かつスパースな特徴相互作用を明示的に学習することを目的とした,新しいExtreme Cross Network(XCrossNet)を提案する。 機能構造指向モデルとしてのXCrossNetは、より表現力のある表現とより正確なCTR予測をもたらす。 Criteo Kaggleデータセットに関する実験的研究は、XCrossNetの有効性と効率の両面で、最先端モデルよりも大幅に改善されたことを示している。

関連論文リスト

• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• A Click-Through Rate Prediction Method Based on Cross-Importance of Multi-Order Features [4.820576346277399]
  本稿では,FiiNet (Multiple Order Feature Interaction Importance Neural Networks) という新しいモデルを提案する。 モデルはまず選択的なカーネルネットワーク(SKNet)を使用して、マルチオーダーの機能クロスを明示的に構築する。 機能相互作用の組み合わせの重要性をきめ細かな方法で動的に学習する。
  論文  参考訳（メタデータ） (2024-05-14T16:05:57Z)
• Unveiling Backbone Effects in CLIP: Exploring Representational Synergies and Variances [49.631908848868505]
  コントラスト言語-画像事前学習(CLIP)は画像表現学習において顕著な手法である。 各種ニューラルアーキテクチャにおけるCLIP性能の違いについて検討する。 我々は、複数のバックボーンからの予測を組み合わせるためのシンプルで効果的なアプローチを提案し、最大6.34%のパフォーマンス向上につながった。
  論文  参考訳（メタデータ） (2023-12-22T03:01:41Z)
• MAP: A Model-agnostic Pretraining Framework for Click-through Rate Prediction [39.48740397029264]
  本稿では,多分野分類データに特徴的破損と回復を適用したMAP(Model-Agnostic Pretraining)フレームワークを提案する。 マスク付き特徴予測(RFD)と代替特徴検出(RFD)の2つの実用的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2023-08-03T12:55:55Z)
• Rethinking Range View Representation for LiDAR Segmentation [66.73116059734788]
  「多対一」マッピング、意味的不整合、形状変形は、射程射影からの効果的な学習に対する障害となる可能性がある。 RangeFormerは、ネットワークアーキテクチャ、データ拡張、後処理を含む新しい設計を含む、フルサイクルのフレームワークである。 比較対象のLiDARセマンティックスとパノプティックスセグメンテーションのベンチマークにおいて,初めてレンジビュー法が点,ボクセル,マルチビューフュージョンを越えられることを示す。
  論文  参考訳（メタデータ） (2023-03-09T16:13:27Z)
• DCAP: Deep Cross Attentional Product Network for User Response Prediction [20.17934000984361]
  我々はDCAP(Deep Cross Attentional Product Network)という新しいアーキテクチャを提案する。 DCAPは、高階機能相互作用をベクトルレベルで明示的にモデリングするクロスネットワークの利点を維持します。 提案モデルは容易に実装でき,並行して訓練できる。
  論文  参考訳（メタデータ） (2021-05-18T16:27:20Z)
• Explicit Semantic Cross Feature Learning via Pre-trained Graph Neural Networks for CTR Prediction [14.270296688394762]
  クロス機能はクリックスルー率(CTR)予測において重要な役割を果たす。 既存のメソッドのほとんどはDNNベースのモデルを採用し、クロス機能を暗黙的にキャプチャしている。 本研究では,GNNベースの事前学習モデルであるPCF-GNN(Pre-trained Cross Feature Learning Graph Neural Networks)を提案する。
  論文  参考訳（メタデータ） (2021-05-17T11:56:04Z)
• Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction [64.03526633651218]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最も重要な機械学習タスクの1つである。 本稿では,AutoCTR と呼ばれる CTR 予測のための自動インタラクションアーキテクチャ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-29T04:33:01Z)
• Feature Interaction based Neural Network for Click-Through Rate Prediction [5.095988654970358]
  本稿では,3次元関係テンソルを用いて特徴相互作用をモデル化可能な特徴相互作用ベースニューラルネットワーク(FINN)を提案する。 我々のディープFINNモデルは、PNNやDeepFMのような最先端のディープモデルよりも優れていることを示す。 また、我々のモデルは、機能相互作用を効果的に学習し、実世界のデータセットでより良いパフォーマンスを達成することができることを示している。
  論文  参考訳（メタデータ） (2020-06-07T03:53:24Z)
• Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
  Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。 我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。 我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
  論文  参考訳（メタデータ） (2020-03-05T13:05:27Z)

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。