論文の概要: Online Interaction Detection for Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2106.15400v1
• Date: Sun, 27 Jun 2021 06:34:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 15:40:50.674867
• Title: Online Interaction Detection for Click-Through Rate Prediction
• Title（参考訳）: クリックスルーレート予測のためのオンラインインタラクション検出
• Authors: Qiuqiang Lin and Chuanhou Gao
• Abstract要約: そこで我々は,オンラインランダム・インターセクション・チェーンと呼ばれる新しいインタラクション検出手法を提案する。 ORICはランダムに選択されたサンプルの交点を観察して情報的相互作用を検出する。 ORICは、新しいデータが収集されるたびに更新されるが、過去のデータで再トレーニングされることはない。 フレームワークはストリーミングインタラクションを扱うように設計されているため、既存のCTR予測モデルのほとんどは、インタラクション検出後に適用することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Click-Through Rate prediction aims to predict the ratio of clicks to impressions of a specific link. This is a challenging task since (1) there are usually categorical features, and the inputs will be extremely high-dimensional if one-hot encoding is applied, (2) not only the original features but also their interactions are important, (3) an effective prediction may rely on different features and interactions in different time periods. To overcome these difficulties, we propose a new interaction detection method, named Online Random Intersection Chains. The method, which is based on the idea of frequent itemset mining, detects informative interactions by observing the intersections of randomly chosen samples. The discovered interactions enjoy high interpretability as they can be comprehended as logical expressions. ORIC can be updated every time new data is collected, without being retrained on historical data. What's more, the importance of the historical and latest data can be controlled by a tuning parameter. A framework is designed to deal with the streaming interactions, so almost all existing models for CTR prediction can be applied after interaction detection. Empirical results demonstrate the efficiency and effectiveness of ORIC on three benchmark datasets.
• Abstract（参考訳）: クリックスルー率予測は、特定のリンクのクリックとインプレッションの比率を予測することを目的としている。 1つのホットエンコーディングが適用された場合、入力は極端に高次元であり、(2)元の特徴だけでなく、それらの相互作用も重要である、(3)有効予測は異なる期間の異なる特徴と相互作用に依存する可能性があるため、これは難しい課題である。 これらの課題を克服するために,オンラインランダム交差点チェーンと呼ばれる新しいインタラクション検出手法を提案する。 頻繁なアイテムセットマイニングのアイデアに基づくこの手法は,ランダムに選択されたサンプルの交点を観察することで,情報的インタラクションを検出する。 検出された相互作用は、論理式として解釈できるため、高い解釈性を持つ。 ORICは、新しいデータが収集されるたびに更新されるが、過去のデータで再トレーニングされることはない。 さらに、過去のデータと最新のデータの重要性は、チューニングパラメータによって制御できる。 フレームワークはストリーミングインタラクションを扱うように設計されているため、既存のCTR予測モデルのほとんどは、インタラクション検出後に適用することができる。 実験結果は,3つのベンチマークデータセット上でのORICの有効性と有効性を示す。

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)
• InterFormer: Towards Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [72.50606292994341]
  我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。 提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-15T00:20:36Z)
• RAT: Retrieval-Augmented Transformer for Click-Through Rate Prediction [68.34355552090103]
  本稿では, 試料内および試料間における微細な特徴相互作用の獲得を目的とした検索-拡張変換器(RAT)を開発した。 次に、トランスフォーマー層をカスケードされた注意で構築し、イントラサンプルとクロスサンプルの両方の機能インタラクションをキャプチャします。 実世界のデータセットの実験は、RATの有効性を裏付け、ロングテールシナリオにおいてその利点を示唆している。
  論文  参考訳（メタデータ） (2024-04-02T19:14:23Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• MAP: A Model-agnostic Pretraining Framework for Click-through Rate Prediction [39.48740397029264]
  本稿では,多分野分類データに特徴的破損と回復を適用したMAP(Model-Agnostic Pretraining)フレームワークを提案する。 マスク付き特徴予測(RFD)と代替特徴検出(RFD)の2つの実用的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2023-08-03T12:55:55Z)
• 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)
• Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
  本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。 周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。 本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-01-25T12:44:23Z)
• Reformulating HOI Detection as Adaptive Set Prediction [25.44630995307787]
  我々は適応セット予測問題としてHOI検出を再構成する。 本稿では,並列インスタンスとインタラクションブランチを備えた適応型セットベースワンステージフレームワーク(as-net)を提案する。 この手法は、人間のポーズや言語的特徴を必要とせず、従来の最先端の手法を上回ります。
  論文  参考訳（メタデータ） (2021-03-10T10:40:33Z)
• Detecting Beneficial Feature Interactions for Recommender Systems [15.599904548629537]
  特徴的相互作用は、レコメンデータシステムにおいて高い精度を達成するために不可欠である。 本稿では,これらの特徴の相互作用を自動的に検出する新しい手法とともに,効果的にモデル化するためのグラフニューラルネットワークアプローチを提案する。 提案手法は,情報ボトルネック原理と統計的相互作用理論により有効であることが証明された。
  論文  参考訳（メタデータ） (2020-08-02T06:08:23Z)

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。