論文の概要: Learning Graph Meta Embeddings for Cold-Start Ads in Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2105.08909v1
• Date: Wed, 19 May 2021 03:46:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-20 20:16:34.190387
• Title: Learning Graph Meta Embeddings for Cold-Start Ads in Click-Through Rate Prediction
• Title（参考訳）: クリックスルーレート予測におけるコールドスタート広告のためのグラフメタ埋め込み学習
• Authors: Wentao Ouyang, Xiuwu Zhang, Shukui Ren, Li Li, Kun Zhang, Jinmei Luo, Zhaojie Liu, Yanlong Du
• Abstract要約: 本稿では,新しい広告IDに適切な初期埋め込みを生成する方法を迅速に学習できるグラフメタ埋め込み(GME)モデルを提案する。 3つの実世界のデータセットによる実験結果から、温暖化と冷暖化の双方において、GMEは予測性能を大幅に改善できることが示された。
• 参考スコア（独自算出の注目度）: 14.709092114902159
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Click-through rate (CTR) prediction is one of the most central tasks in online advertising systems. Recent deep learning-based models that exploit feature embedding and high-order data nonlinearity have shown dramatic successes in CTR prediction. However, these models work poorly on cold-start ads with new IDs, whose embeddings are not well learned yet. In this paper, we propose Graph Meta Embedding (GME) models that can rapidly learn how to generate desirable initial embeddings for new ad IDs based on graph neural networks and meta learning. Previous works address this problem from the new ad itself, but ignore possibly useful information contained in existing old ads. In contrast, GMEs simultaneously consider two information sources: the new ad and existing old ads. For the new ad, GMEs exploit its associated attributes. For existing old ads, GMEs first build a graph to connect them with new ads, and then adaptively distill useful information. We propose three specific GMEs from different perspectives to explore what kind of information to use and how to distill information. In particular, GME-P uses Pre-trained neighbor ID embeddings, GME-G uses Generated neighbor ID embeddings and GME-A uses neighbor Attributes. Experimental results on three real-world datasets show that GMEs can significantly improve the prediction performance in both cold-start (i.e., no training data is available) and warm-up (i.e., a small number of training samples are collected) scenarios over five major deep learning-based CTR prediction models. GMEs can be applied to conversion rate (CVR) prediction as well.
• Abstract（参考訳）: クリックスルー率(CTR)予測は、オンライン広告システムにおいて最も重要なタスクの1つである。 特徴埋め込みと高次データの非線形性を利用した最近のディープラーニングモデルでは、CTR予測が劇的に成功した。 しかし、これらのモデルは新しいIDを使ったコールドスタート広告ではうまく機能しない。 本稿では,グラフニューラルネットワークとメタ学習に基づいて,新しい広告IDに最適な初期埋め込みを生成する方法を高速に学習できるグラフメタ埋め込み(GME)モデルを提案する。 これまでの作業は、この新しい広告そのものからこの問題に対処するが、既存の古い広告に含まれる有用な情報を無視する。 対照的に、GMEは2つの情報ソース(新しい広告と既存の古い広告)を同時に検討している。 新しい広告では、GMEは関連する属性を利用する。 既存の古い広告のために、GMEはまずグラフを作り、それらを新しい広告に結びつける。 異なる視点から3つの特定のGMEを提案し、どのような情報を使用するか、どのように情報を蒸留するかを探索する。 特に、GME-Pは事前訓練された隣接ID埋め込み、GME-Gは生成された隣接ID埋め込み、GME-Aは隣接属性を使用する。 3つの実世界のデータセットにおける実験結果は、gmesが5つの主要なディープラーニングベースのctr予測モデルに対して、コールドスタート(トレーニングデータがない)とウォームアップ(少数のトレーニングサンプルが収集される)の両方のシナリオにおいて、予測性能を大幅に改善できることを示しています。 GMEは変換率(CVR)予測にも適用できる。

関連論文リスト

• What's New in My Data? Novelty Exploration via Contrastive Generation [31.33791825286853]
  創成による新規発見の課題(CGE)について紹介する。 CGEは、これらの特性を示す例を生成することによって、微調整データセットの新たな特性を特定することを目的としている。 本実験では,CGEが有害な言語や新しい自然言語,プログラミング言語などの新規なコンテンツの検出に有効であることを実証した。
  論文  参考訳（メタデータ） (2024-10-18T15:24:05Z)
• GACE: Learning Graph-Based Cross-Page Ads Embedding For Click-Through Rate Prediction [3.3840833400287593]
  本稿では,グラフベースのクロスページ広告埋め込み生成手法を提案する。 コールドスタートと既存の広告を様々なページに埋め込んだ表現を生成する。 その結果,本手法はSOTA法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-15T03:12:21Z)
• A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal [57.8455911689554]
  知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。 質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
  論文  参考訳（メタデータ） (2022-12-12T08:40:04Z)
• Boost CTR Prediction for New Advertisements via Modeling Visual Content [55.11267821243347]
  広告の視覚的内容を利用してCTR予測モデルの性能を向上させる。 過去に蓄積された履歴的ユーザ・アドインタラクションに基づいて,各ビジュアルIDの埋め込みを学習する。 Baiduオンライン広告のCTR予測モデルにビジュアルIDを埋め込んだ後、広告の平均CTRは1.46%改善し、総料金は1.10%増加した。
  論文  参考訳（メタデータ） (2022-09-23T17:08:54Z)
• On the Factory Floor: ML Engineering for Industrial-Scale Ads Recommendation Models [9.102290972714652]
  産業規模の広告システムでは、広告クリックスルー率(CTR)の予測が中心的な問題である。 本稿では,Googleの検索広告CTRモデルに実装された実用技術について事例研究を行う。
  論文  参考訳（メタデータ） (2022-09-12T15:15:23Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
  グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。 具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。 我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-05-08T08:19:40Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Iterative Boosting Deep Neural Networks for Predicting Click-Through Rate [15.90144113403866]
  クリックスルーレート(CTR)は、特定の項目のクリックの比率を、そのビューの総数に反映する。 XdBoostは、従来の機械学習の強化メカニズムの影響を受け、反復的な3段階ニューラルネットワークモデルである。
  論文  参考訳（メタデータ） (2020-07-26T09:41:16Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。