論文の概要: DMBGN: Deep Multi-Behavior Graph Networks for Voucher Redemption Rate Prediction

• arxiv url: http://arxiv.org/abs/2106.03356v1
• Date: Mon, 7 Jun 2021 06:16:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 18:26:17.322608
• Title: DMBGN: Deep Multi-Behavior Graph Networks for Voucher Redemption Rate Prediction
• Title（参考訳）: DMBGN:Voucher償還率予測のための深層多行動グラフネットワーク
• Authors: Fengtong Xiao, Lin Li, Weinan Xu, Jingyu Zhao, Xiaofeng Yang, Jun Lang, Hao Wang
• Abstract要約: 本稿では,この領域に光を当てる深層多行動グラフネットワーク(DMBGN)を提案する。 UVG(User-Behavior Voucher Graph)によって、複雑な構造的ユーザ-ボウチャー-イテム関係が捉えられる UVGのシーケンスの上にアテンションネットワークが構築され、ユーザの長期的ボウチャー償却の好みを学習するのに役立つ。
• 参考スコア（独自算出の注目度）: 11.917803156819843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In E-commerce, vouchers are important marketing tools to enhance users' engagement and boost sales and revenue. The likelihood that a user redeems a voucher is a key factor in voucher distribution decision. User-item Click-Through-Rate (CTR) models are often applied to predict the user-voucher redemption rate. However, the voucher scenario involves more complicated relations among users, items and vouchers. The users' historical behavior in a voucher collection activity reflects users' voucher usage patterns, which is nevertheless overlooked by the CTR-based solutions. In this paper, we propose a Deep Multi-behavior Graph Networks (DMBGN) to shed light on this field for the voucher redemption rate prediction. The complex structural user-voucher-item relationships are captured by a User-Behavior Voucher Graph (UVG). User behavior happening both before and after voucher collection is taken into consideration, and a high-level representation is extracted by Higher-order Graph Neural Networks. On top of a sequence of UVGs, an attention network is built which can help to learn users' long-term voucher redemption preference. Extensive experiments on three large-scale production datasets demonstrate the proposed DMBGN model is effective, with 10% to 16% relative AUC improvement over Deep Neural Networks (DNN), and 2% to 4% AUC improvement over Deep Interest Network (DIN). Source code and a sample dataset are made publicly available to facilitate future research.
• Abstract（参考訳）: 電子商取引では、Voucherはユーザーのエンゲージメントを高め、売上と収益を高める重要なマーケティングツールである。 ユーザがvoucherを償還する可能性は、voucherの配布決定の鍵となる要因である。 ユーザイットム Click-Through-Rate (CTR) モデルは、ユーザ-ヴォッシャーの償還率を予測するためにしばしば使用される。 しかし、voucherのシナリオはユーザー、アイテム、voucher間のより複雑な関係を含んでいる。 ブーチャー収集活動におけるユーザの履歴行動は、ユーザのブーチャー利用パターンを反映しており、それでもCTRベースのソリューションでは見落としている。 本稿では,voucher redemption rate 予測のために,この分野に光を当てる深層マルチビヘイビアグラフネットワーク (dmbgn) を提案する。 複雑な構造的ユーザ-ボウチャー-イテム関係は、User-Behavior Voucher Graph (UVG)によってキャプチャされる。 voucherコレクションの前後に発生するユーザの振る舞いを考慮に入れ、高次グラフニューラルネットワークによって高レベル表現を抽出する。 UVGのシーケンスの上にアテンションネットワークが構築され、ユーザの長期的ボウチャー償却の好みを学習するのに役立つ。 3つの大規模生産データセットに対する大規模な実験は、提案されたDMBGNモデルが有効であることを示し、Deep Neural Networks(DNN)よりも10%から16%、Deep Interest Network(DIN)よりも2%から4%のAUCの改善がある。 ソースコードとサンプルデータセットは、将来の研究を促進するために公開されている。

関連論文リスト

• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• Attention Weighted Mixture of Experts with Contrastive Learning for Personalized Ranking in E-commerce [21.7796124109]
  本稿では,個人格付けのためのコントラスト学習を伴うAW-MoE(Attention Weighted Mixture of Experts)を提案する。 AW-MoEはJDのeコマース検索エンジンでうまく展開されている。
  論文  参考訳（メタデータ） (2023-06-08T07:59:08Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• 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)
• Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
  タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。 テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。 本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T02:50:19Z)
• 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)
• IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
  グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。 ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。 我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-08T03:38:09Z)
• Click-Through Rate Prediction Using Graph Neural Networks and Online Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2021-05-09T01:35:49Z)
• TPG-DNN: A Method for User Intent Prediction Based on Total Probability Formula and GRU Loss with Multi-task Learning [36.38658213969406]
  本稿では,新しいユーザ意図予測モデルであるTPG-DNNを提案する。 提案モデルは,タオバオプラットフォーム上でのクーポンの割り当て,広告,レコメンデーションに広く利用されている。
  論文  参考訳（メタデータ） (2020-08-05T13:25:53Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)

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。