論文の概要: Click-Through Rate Prediction Using Graph Neural Networks and Online Learning

• arxiv url: http://arxiv.org/abs/2105.03811v1
• Date: Sun, 9 May 2021 01:35:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-12 09:56:10.867280
• Title: Click-Through Rate Prediction Using Graph Neural Networks and Online Learning
• Title（参考訳）: グラフニューラルネットワークとオンライン学習によるクリックスルー率予測
• Authors: Farzaneh Rajabi, Jack Siyuan He
• Abstract要約: CTR予測精度のわずかな改善は、広告業界に数百万ドルの収益を追加すると言及されています。 このプロジェクトは、グラフニューラルネットワークとオンライン学習アルゴリズムを使用したCTR予測器の構築に関心がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommendation systems have been extensively studied by many literature in the past and are ubiquitous in online advertisement, shopping industry/e-commerce, query suggestions in search engines, and friend recommendation in social networks. Moreover, restaurant/music/product/movie/news/app recommendations are only a few of the applications of a recommender system. A small percent improvement on the CTR prediction accuracy has been mentioned to add millions of dollars of revenue to the advertisement industry. Click-Through-Rate (CTR) prediction is a special version of recommender system in which the goal is predicting whether or not a user is going to click on a recommended item. A content-based recommendation approach takes into account the past history of the user's behavior, i.e. the recommended products and the users reaction to them. So, a personalized model that recommends the right item to the right user at the right time is the key to building such a model. On the other hand, the so-called collaborative filtering approach incorporates the click history of the users who are very similar to a particular user, thereby helping the recommender to come up with a more confident prediction for that particular user by leveraging the wider knowledge of users who share their taste in a connected network of users. In this project, we are interested in building a CTR predictor using Graph Neural Networks complemented by an online learning algorithm that models such dynamic interactions. By framing the problem as a binary classification task, we have evaluated this system both on the offline models (GNN, Deep Factorization Machines) with test-AUC of 0.7417 and on the online learning model with test-AUC of 0.7585 using a sub-sampled version of Criteo public dataset consisting of 10,000 data points.
• Abstract（参考訳）: レコメンデーションシステムは過去に多くの文献で広く研究され、オンライン広告、ショッピング業界/eコマース、検索エンジンでのクエリ提案、ソーシャルネットワークでのフレンドレコメンデーションなどに広く使われている。 さらに、レストラン/音楽/製品/ムージー/アプリレコメンデーションは、レコメンデーションシステムの応用のごく一部にすぎない。 CTR予測精度の小さな改善は、広告業界に何百万ドルもの収益をもたらすと言及されている。 CTR(Click-Through-Rate)予測(Click-Through-Rate)は、ユーザーが推奨アイテムをクリックするかどうかを予測するレコメンデーションシステムの特別なバージョンである。 コンテンツベースのレコメンデーションアプローチは、ユーザの行動の過去の履歴、すなわちその動作を考慮に入れる。 推奨製品とユーザに反応する。 したがって、適切なアイテムを適切なタイミングで適切なユーザに推奨するパーソナライズされたモデルが、そのようなモデルを構築するための鍵となります。 一方、コラボレーティブフィルタリング手法は、特定のユーザと非常によく似たユーザのクリック履歴を取り入れており、ユーザのネットワークで自分の好みを共有するユーザのより広い知識を活用することで、推奨者が特定のユーザに対してより自信を持って予測するのに役立つ。 本稿では,このような動的相互作用をモデル化するオンライン学習アルゴリズムを補完するグラフニューラルネットワークを用いたCTR予測器の構築に関心がある。 この問題をバイナリ分類タスクとして評価することにより,テストAUCが0.7417のオフラインモデル(GNN,Deep Factorization Machines)と,テストAUCが0.7585のオンライン学習モデルの両方で,10,000のデータポイントからなるCriteo公開データセットのサブサンプルバージョンを用いて評価を行った。

関連論文リスト

• Dissertation: On the Theoretical Foundation of Model Comparison and Evaluation for Recommender System [4.76281731053599]
  レコメンダシステムは、ユーザの履歴データを利用して顧客の興味を推測し、パーソナライズされたレコメンデーションを提供する。 協調フィルタリング(Collaborative filtering)は、複数のユーザのレーティングを使用して、欠落したレーティングを予測するレコメンデーションアルゴリズムの1つである。 Recommender システムはより複雑になり、コンテンツベースの属性やユーザインタラクション、コンテキスト情報などの補助的なデータを組み込むことができる。
  論文  参考訳（メタデータ） (2024-11-04T06:31:52Z)
• Online and Offline Evaluations of Collaborative Filtering and Content Based Recommender Systems [0.0]
  本研究では,イランにおける大規模レコメンデーションシステムの比較分析を行った。 このシステムは、コンテンツベース、協調フィルタリング、トレンドベース手法、ハイブリッドアプローチを用いた、ユーザベースおよびアイテムベースのレコメンデーションを採用している。 評価方法は,手動による評価,ヒットレート@kやnDCGなどの評価指標を含むオフラインテスト,クリックスルーレート(CTR)によるオンラインテストなどである。
  論文  参考訳（メタデータ） (2024-11-02T20:05:31Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Application of Machine Learning for Online Reputation Systems [0.4125187280299248]
  本稿では、消費者プロフィールから消費者の信頼度を予測するために機械学習を用いた新しい評価システムを提案する。 提案モデルは10-Foldsクロスバリデーションを用いて、3つのMovieLensベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2022-09-10T12:31:40Z)
• 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)
• 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)
• Improving Conversational Recommendation System by Pretraining on Billions Scale of Knowledge Graph [29.093477601914355]
  本稿では,新しい知識強化型ディープクロスネットワーク(K-DCN)を提案する。 まず、ユーザ、アイテム、会話に関する情報から10億件の会話知識グラフ(CKG)を構築する。 次に、知識グラフ埋め込み方法とグラフ畳み込みネットワークを導入し、セマンティック情報と構造情報をエンコードすることでCKGを事前訓練します。 K-DCNでは,ユーザ状態表現や対話対話表現,その他の通常の特徴表現を,ディープクロスネットワークを通じて融合し,候補項目のランク付けを行う。
  論文  参考訳（メタデータ） (2021-04-30T10:56:41Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection [110.87712780017819]
  推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
  論文  参考訳（メタデータ） (2020-01-22T16:05:01Z)

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。