論文の概要: Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2106.02768v1
• Date: Sat, 5 Jun 2021 01:21:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 09:59:33.494081
• Title: Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction
• Title（参考訳）: クロスドメインクリックスルーレート予測のための二重注意シーケンス学習
• Authors: Pan Li, Zhichao Jiang, Maofei Que, Yao Hu and Alexander Tuzhilin
• Abstract要約: クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。 本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
• 参考スコア（独自算出の注目度）: 76.98616102965023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross domain recommender system constitutes a powerful method to tackle the cold-start and sparsity problem by aggregating and transferring user preferences across multiple category domains. Therefore, it has great potential to improve click-through-rate prediction performance in online commerce platforms having many domains of products. While several cross domain sequential recommendation models have been proposed to leverage information from a source domain to improve CTR predictions in a target domain, they did not take into account bidirectional latent relations of user preferences across source-target domain pairs. As such, they cannot provide enhanced cross-domain CTR predictions for both domains simultaneously. In this paper, we propose a novel approach to cross-domain sequential recommendations based on the dual learning mechanism that simultaneously transfers information between two related domains in an iterative manner until the learning process stabilizes. In particular, the proposed Dual Attentive Sequential Learning (DASL) model consists of two novel components Dual Embedding and Dual Attention, which jointly establish the two-stage learning process: we first construct dual latent embeddings that extract user preferences in both domains simultaneously, and subsequently provide cross-domain recommendations by matching the extracted latent embeddings with candidate items through dual-attention learning mechanism. We conduct extensive offline experiments on three real-world datasets to demonstrate the superiority of our proposed model, which significantly and consistently outperforms several state-of-the-art baselines across all experimental settings. We also conduct an online A/B test at a major video streaming platform Alibaba-Youku, where our proposed model significantly improves business performance over the latest production system in the company.
• Abstract（参考訳）: クロスドメインレコメンダシステムは、複数のカテゴリドメインにまたがるユーザの好みを集約し、転送することで、コールドスタートとスパーシティの問題に取り組む強力な方法を構成する。 そのため、多数の製品ドメインを持つオンラインコマースプラットフォームにおいて、クリックスルーレート予測性能を向上させる可能性がある。 いくつかのクロスドメインシーケンシャルレコメンデーションモデルは、ソースドメインからの情報を活用してターゲットドメイン内のCTR予測を改善するために提案されているが、ソースドメインとターゲットドメインのペア間でのユーザ好みの双方向遅延関係を考慮していない。 そのため、両方のドメインに対して拡張されたクロスドメインCTR予測を同時に提供することはできない。 本稿では,学習プロセスが安定化するまで,2つの関連ドメイン間の情報を同時に反復的に伝達する2つの学習メカニズムに基づく,クロスドメインシーケンシャルなレコメンデーション手法を提案する。 特に,提案手法は,2段階学習プロセスを共同で確立する2つの新しい組込みと2段階注意からなる。まず,2段階学習機構を用いて,両領域におけるユーザの嗜好を同時に抽出する2段階潜在組込みを構築し,さらに,抽出した潜在組込みを候補項目と一致させることにより,分野横断的な推薦を行う。 3つの実世界のデータセットについて大規模なオフライン実験を行い,提案モデルの優位性を実証した。 また、大手ビデオストリーミングプラットフォームであるAlibaba-YoukuでもオンラインA/Bテストを実施しています。

関連論文リスト

• Domain-Aware Cross-Attention for Cross-domain Recommendation [4.602115311495822]
  クロスドメインレコメンデーション(CDR)は、レコメンダシステムの性能を改善する重要な方法である。 本稿では、異なる粒度からソースドメインの転送可能な特徴を抽出する2段階のクロスアテンションを提案する。 公共データセットと産業データセットの両方で実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-01-22T06:12:48Z)
• Improving Intrusion Detection with Domain-Invariant Representation Learning in Latent Space [4.871119861180455]
  マルチタスク学習を用いた2相表現学習手法を提案する。 我々は、先行空間と潜時空間の間の相互情報の最小化により、潜時空間を解き放つ。 モデルの有効性を複数のサイバーセキュリティデータセットで評価する。
  論文  参考訳（メタデータ） (2023-12-28T17:24:13Z)
• A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
  クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。 最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。 第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
  論文  参考訳（メタデータ） (2021-12-08T15:14:26Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。