論文の概要: Modeling the Sequential Dependence among Audience Multi-step Conversions
with Multi-task Learning in Targeted Display Advertising
- arxiv url: http://arxiv.org/abs/2105.08489v1
- Date: Tue, 18 May 2021 13:07:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 19:15:08.553416
- Title: Modeling the Sequential Dependence among Audience Multi-step Conversions
with Multi-task Learning in Targeted Display Advertising
- Title（参考訳）: ターゲットディスプレイ広告におけるマルチタスク学習によるオーディエンス多段階変換の系列依存性のモデル化
- Authors: Dongbo Xi, Zhen Chen, Peng Yan, Yinger Zhang, Yongchun Zhu, Fuzhen
Zhuang, Yu Chen
- Abstract要約: 本稿では,オーディエンス間の逐次依存をモデル化する適応型情報転送マルチタスク(aitm)フレームワークを提案する。
提案するフレームワークはMeituanアプリにデプロイされ,高エンドツーエンドのコンバージョンレートでユーザに対してバナーをリアルタイムに表示する。
- 参考スコア（独自算出の注目度）: 17.759045342006694
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In most real-world large-scale online applications (e.g., e-commerce or
finance), customer acquisition is usually a multi-step conversion process of
audiences. For example, an impression->click->purchase process is usually
performed of audiences for e-commerce platforms. However, it is more difficult
to acquire customers in financial advertising (e.g., credit card advertising)
than in traditional advertising. On the one hand, the audience multi-step
conversion path is longer. On the other hand, the positive feedback is sparser
(class imbalance) step by step, and it is difficult to obtain the final
positive feedback due to the delayed feedback of activation. Multi-task
learning is a typical solution in this direction. While considerable multi-task
efforts have been made in this direction, a long-standing challenge is how to
explicitly model the long-path sequential dependence among audience multi-step
conversions for improving the end-to-end conversion. In this paper, we propose
an Adaptive Information Transfer Multi-task (AITM) framework, which models the
sequential dependence among audience multi-step conversions via the Adaptive
Information Transfer (AIT) module. The AIT module can adaptively learn what and
how much information to transfer for different conversion stages. Besides, by
combining the Behavioral Expectation Calibrator in the loss function, the AITM
framework can yield more accurate end-to-end conversion identification. The
proposed framework is deployed in Meituan app, which utilizes it to real-timely
show a banner to the audience with a high end-to-end conversion rate for
Meituan Co-Branded Credit Cards. Offline experimental results on both
industrial and public real-world datasets clearly demonstrate that the proposed
framework achieves significantly better performance compared with
state-of-the-art baselines.
- Abstract（参考訳）: 現実世界のほとんどのオンラインアプリケーション(eコマースや金融など)では、顧客獲得は通常、オーディエンスの多段階変換プロセスである。
例えば、インプレッション->クリック->購入プロセスは通常、Eコマースプラットフォームのオーディエンスによって実行される。
しかし、従来の広告よりも金融広告(クレジットカード広告など)で顧客を獲得することは困難である。
一方、オーディエンスマルチステップ変換パスは長くなる。
一方、正のフィードバックは段階的にスパーサー(クラス不均衡)であり、活性化の遅延による最終正のフィードバックを得ることは困難である。
マルチタスク学習は、この方向の典型的なソリューションです。
この方向にかなりのマルチタスクの取り組みがなされているが、長年にわたる課題は、エンド・ツー・エンドの変換を改善するために、オーディエンス間の長いパスのシーケンシャルな依存を明示的にモデル化する方法である。
本稿では,適応型情報転送(ait)モジュールを用いて,オーディエンス間の逐次依存性をモデル化する適応型情報転送マルチタスク(aitm)フレームワークを提案する。
AITモジュールは、異なる変換段階で転送する情報の種類と量を適応的に学習することができる。
さらに、損失関数に振舞い期待キャリブレータを組み合わせることで、AITMフレームワークはより正確なエンドツーエンド変換識別を得ることができる。
提案するフレームワークはMeituanアプリにデプロイされ、Meituan Co-Branded Credit Cardsのエンドツーエンドの変換レートの高いバナーをリアルタイムでユーザに提示する。
産業用および公共用両方の実世界のデータセットのオフライン実験結果から,提案したフレームワークは最先端のベースラインに比べて性能が著しく向上していることが明らかとなった。
関連論文リスト
- MODRL-TA:A Multi-Objective Deep Reinforcement Learning Framework for Traffic Allocation in E-Commerce Search [13.893431289065997]
本稿では、多目的Q-ラーニング(MOQ)と、クロスエントロピー法(CEM)に基づく決定融合アルゴリズム(DFM)と、プログレッシブデータ拡張システム(PDA)からなる多目的深層強化学習フレームワークを提案する。
実世界のオンラインeコマースシステムの実験は、MODRL-TAの大幅な改善を実証している。
論文 参考訳（メタデータ） (2024-07-22T08:40:27Z) - Towards Multi-modal Transformers in Federated Learning [10.823839967671454]
本稿では,視覚言語領域におけるMFL(Transfer Multi-modal Federated Learning)のシナリオについて検討する。
我々は,クライアント間の非モダリティと相互モダリティのギャップに対処することによって,FedCola(Federated modality complementary and collaboration)と呼ばれる新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2024-04-18T19:04:27Z) - Multimodal Representation Learning by Alternating Unimodal Adaptation [73.15829571740866]
MLA(Multimodal Learning with Alternating Unimodal Adaptation)を提案する。
MLAは、それを交互に一助学習プロセスに変換することで、従来の共同マルチモーダル学習プロセスを再構築する。
共有ヘッドを通じてモーダル間相互作用をキャプチャし、異なるモーダル間で連続的な最適化を行う。
実験は5つの多様なデータセットで行われ、完全なモダリティを持つシナリオと、欠落したモダリティを持つシナリオを含む。
論文 参考訳（メタデータ） (2023-11-17T18:57:40Z) - FedYolo: Augmenting Federated Learning with Pretrained Transformers [61.56476056444933]
本研究では,デバイス上での学習目標を達成するための事前学習型トランスフォーマー(PTF)について検討する。
大規模化により,代替手法間の精度ギャップが小さくなり,ロバスト性も向上することを示す。
最後に、クライアントは単一のPTFを使用して複数の無関係なタスクを同時に解決できる。
論文 参考訳（メタデータ） (2023-07-10T21:08:52Z) - Learning Unseen Modality Interaction [54.23533023883659]
マルチモーダル学習は、すべてのモダリティの組み合わせが訓練中に利用でき、クロスモーダル対応を学ぶことを前提としている。
我々は、目に見えないモダリティ相互作用の問題を提起し、第1の解を導入する。
異なるモジュラリティの多次元的特徴を、豊富な情報を保存した共通空間に投影するモジュールを利用する。
論文 参考訳（メタデータ） (2023-06-22T10:53:10Z) - Towards a Better Microcredit Decision [0.0]
まず、融資プロセス全体を通じて順次依存する3つの段階を定義し、例えば、貸付(AR)、引受申告書(WS)、返済契約(GB)を定めます。
提案手法は単純かつ効果的であり,中国のトップローンプラットフォームから得られた実データを用いた実験結果から,人口バイアスを緩和し,モデル一般化能力を向上させる能力を示した。
論文 参考訳（メタデータ） (2022-08-23T12:24:19Z) - Single-Modal Entropy based Active Learning for Visual Question Answering [75.1682163844354]
視覚質問応答(VQA)のマルチモーダル設定におけるアクティブラーニングに対処する
マルチモーダルな入力,画像,質問を考慮し,有効サンプル取得のための新しい手法を提案する。
私たちの新しいアイデアは、実装が簡単で、コスト効率が高く、他のマルチモーダルタスクにも容易に適応できます。
論文 参考訳（メタデータ） (2021-10-21T05:38:45Z) - TxT: Crossmodal End-to-End Learning with Transformers [84.55645255507461]
複数のモダリティに対する推論は、ドメイン間のセマンティックな概念の整合性を必要とする。
TxTはトランスフォーマーベースのクロスモーダルパイプラインで、下流タスクで言語とビジュアルコンポーネントの両方を微調整できる。
本モデルは,マルチモーダル質問応答のためのエンド・ツー・エンド・ラーニングからかなりの利益を得る。
論文 参考訳（メタデータ） (2021-09-09T17:12:20Z) - UPDeT: Universal Multi-agent Reinforcement Learning via Policy
Decoupling with Transformers [108.92194081987967]
タスクに適合する1つのアーキテクチャを設計し、汎用的なマルチエージェント強化学習パイプラインを最初に試行する。
従来のRNNモデルとは異なり、トランスフォーマーモデルを用いてフレキシブルなポリシーを生成する。
提案方式はUPDeT(Universal Policy Decoupling Transformer)と名付けられ,動作制限を緩和し,マルチエージェントタスクの決定プロセスをより説明しやすいものにする。
論文 参考訳（メタデータ） (2021-01-20T07:24:24Z) - Interpretable Deep Learning Model for Online Multi-touch Attribution [14.62385029537631]
本稿では,深層学習モデルとオンラインマルチタッチ属性の解釈のための付加的特徴説明モデルを組み合わせたDeepMTAという新しいモデルを提案する。
MTAの最初の解釈可能なディープラーニングモデルとして、DeepMTAは、顧客ジャーニーにおける3つの重要な特徴について検討している。
実データセットの評価は、提案した変換予測モデルが91%の精度を達成することを示している。
論文 参考訳（メタデータ） (2020-03-26T23:21:40Z) - Adversarial Multimodal Representation Learning for Click-Through Rate
Prediction [16.10640369157054]
本稿では,Click-Through Rate (CTR)予測タスクのための新しいマルチモーダル適応表現ネットワーク(MARN)を提案する。
マルチモーダルアテンションネットワークは、まず、各項目の複数のモーダルティの重みを、そのモーダル比の特徴に応じて算出する。
マルチモーダル対向ネットワークは、二重識別器戦略を導入するモードイン表現を学習する。
論文 参考訳（メタデータ） (2020-03-07T15:50:23Z)
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。