論文の概要: Looking at CTR Prediction Again: Is Attention All You Need?
- arxiv url: http://arxiv.org/abs/2105.05563v1
- Date: Wed, 12 May 2021 10:27:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-13 12:18:36.636430
- Title: Looking at CTR Prediction Again: Is Attention All You Need?
- Title(参考訳): CTRの予測をもう一度見る: 注意はすべて必要か?
- Authors: Yuan Cheng and Yanbo Xue
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.873362301533825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Click-through rate (CTR) prediction is a critical problem in web search,
recommendation systems and online advertisement displaying. Learning good
feature interactions is essential to reflect user's preferences to items. Many
CTR prediction models based on deep learning have been proposed, but
researchers usually only pay attention to whether state-of-the-art performance
is achieved, and ignore whether the entire framework is reasonable. In this
work, we use the discrete choice model in economics to redefine the CTR
prediction problem, and propose a general neural network framework built on
self-attention mechanism. It is found that most existing CTR prediction models
align with our proposed general framework. We also examine the expressive power
and model complexity of our proposed framework, along with potential extensions
to some existing models. And finally we demonstrate and verify our insights
through some experimental results on public datasets.
- Abstract(参考訳): 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いて重要な問題である。
優れた機能インタラクションを学ぶことは、ユーザの好みをアイテムに反映するために不可欠です。
ディープラーニングに基づく多くのCTR予測モデルが提案されているが、研究者は通常、最先端のパフォーマンスを達成するかどうかにのみ注意を払っており、フレームワーク全体が妥当かどうかを無視している。
本研究では,CTR予測問題を再定義するために,経済学における離散選択モデルを用い,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。
その結果,既存のCTR予測モデルのほとんどは,提案した汎用フレームワークと一致していることがわかった。
また,提案フレームワークの表現力とモデルの複雑さ,既存モデルへの潜在的な拡張についても検討した。
そして最後に、公開データセットに関する実験結果を通じて、私たちの洞察を実証し、検証します。
関連論文リスト
- Helen: Optimizing CTR Prediction Models with Frequency-wise Hessian
Eigenvalue Regularization [22.964109377128523]
CTR(Click-Through Rate)予測は、オンライン広告とレコメンデーションシナリオにおいて最も重要である。
近年のCTR予測モデルの普及にもかかわらず、性能の改善は限られている。
論文 参考訳(メタデータ) (2024-02-23T15:00:46Z) - MRCLens: an MRC Dataset Bias Detection Toolkit [82.44296974850639]
MRCLensは,ユーザがフルモデルをトレーニングする前に,バイアスが存在するかどうかを検出するツールキットである。
ツールキットの導入の便宜のために,MDCにおける共通バイアスの分類も提供する。
論文 参考訳(メタデータ) (2022-07-18T21:05:39Z) - 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) - Rethinking Position Bias Modeling with Knowledge Distillation for CTR
Prediction [8.414183573280779]
本研究では,位置バイアスの影響を緩和し,位置情報を活用してCTR予測を改善する知識蒸留フレームワークを提案する。
提案手法は現実世界のオンライン広告システムに展開され、世界最大の電子商取引プラットフォームの1つで主要なトラフィックを提供する。
論文 参考訳(メタデータ) (2022-04-01T07:58:38Z) - 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) - Click-through Rate Prediction with Auto-Quantized Contrastive Learning [46.585376453464114]
ユーザ行動が予測の利益を捉えるのに十分リッチかどうかを考察し、モデルを正規化するためのAQCL(Auto-Quantized Contrastive Learning)損失を提案する。
提案されたフレームワークは、異なるモデルアーキテクチャに非依存であり、エンドツーエンドでトレーニングすることができる。
論文 参考訳(メタデータ) (2021-09-27T04:39:43Z) - XCrossNet: Feature Structure-Oriented Learning for Click-Through Rate
Prediction [46.72935114485706]
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。
論文 参考訳(メタデータ) (2021-04-22T07:37:36Z) - 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) - BARS-CTR: Open Benchmarking for Click-Through Rate Prediction [30.000261789268063]
クリックスルー率(CTR)予測は多くのアプリケーションにとって重要なタスクである。
近年、CTR予測は学術と産業の両方で広く研究されている。
CTR予測研究には、標準化されたベンチマークと一様評価プロトコルがまだ欠けている。
論文 参考訳(メタデータ) (2020-09-12T13:34:22Z) - 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) - End-to-End Object Detection with Transformers [88.06357745922716]
本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。
我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。
この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
論文 参考訳(メタデータ) (2020-05-26T17:06:38Z)
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。