論文の概要: Large-Scale Modeling of Mobile User Click Behaviors Using Deep Learning

• arxiv url: http://arxiv.org/abs/2108.05342v1
• Date: Wed, 11 Aug 2021 17:47:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 13:36:46.001886
• Title: Large-Scale Modeling of Mobile User Click Behaviors Using Deep Learning
• Title（参考訳）: ディープラーニングを用いたモバイルユーザクリック行動の大規模モデリング
• Authors: Xin Zhou, Yang Li
• Abstract要約: 我々は、オプトインした4000人以上のモバイルユーザーから2000万回以上クリックされた大規模なデータセットを分析した。 我々は,ユーザのクリック履歴からユーザがクリックする次の要素を予測するディープラーニングモデルを設計した。 実験の結果,テストユーザの保持したデータセットに基づいて,次のクリックを予測するための精度が48%と71%であることが確認された。
• 参考スコア（独自算出の注目度）: 7.552192465995561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling tap or click sequences of users on a mobile device can improve our understandings of interaction behavior and offers opportunities for UI optimization by recommending next element the user might want to click on. We analyzed a large-scale dataset of over 20 million clicks from more than 4,000 mobile users who opted in. We then designed a deep learning model that predicts the next element that the user clicks given the user's click history, the structural information of the UI screen, and the current context such as the time of the day. We thoroughly investigated the deep model by comparing it with a set of baseline methods based on the dataset. The experiments show that our model achieves 48% and 71% accuracy (top-1 and top-3) for predicting next clicks based on a held-out dataset of test users, which significantly outperformed all the baseline methods with a large margin. We discussed a few scenarios for integrating the model in mobile interaction and how users can potentially benefit from the model.
• Abstract（参考訳）: モバイルデバイス上のユーザのタップやクリックのシーケンスのモデリングは、インタラクションの動作の理解を深め、ユーザがクリックしたい次の要素を推奨することによって、ui最適化の機会を提供します。 我々は、オプトインした4000人以上のモバイルユーザーから2000万クリック以上の大規模なデータセットを分析した。 次に,ユーザのクリック履歴,ui画面の構造情報,さらにはその日の時刻などの現在のコンテキストに基づいて,ユーザがクリックする次の要素を予測するディープラーニングモデルを設計した。 本研究では,データセットに基づく一連のベースライン手法と比較し,深層モデルについて徹底的に検討した。 実験の結果,テストユーザの保持したデータセットに基づいて次のクリックを予測するために,モデルが48%,71%の精度(トップ-1,トップ-3)を達成した。 モバイルインタラクションにモデルを統合するためのいくつかのシナリオと、ユーザがモデルからメリットを享受できる方法について論じました。

関連論文リスト

• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• Federated Privacy-preserving Collaborative Filtering for On-Device Next App Prediction [52.16923290335873]
  本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。 古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。 提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
  論文  参考訳（メタデータ） (2023-02-05T10:29:57Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• 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)
• Predicting and Explaining Mobile UI Tappability with Vision Modeling and Saliency Analysis [15.509241935245585]
  モバイルUIのスクリーンショットに選択された要素が、ユーザがタップ可能なものとして認識するかどうかを予測するために、ディープラーニングベースのアプローチを使用します。 また、モデルの出力を説明するのにMLの解釈可能性技術を使用します。
  論文  参考訳（メタデータ） (2022-04-05T18:51:32Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• User-click Modelling for Predicting Purchase Intent [0.0]
  この論文は、ユーザの振る舞いをモデル化するオープンな数学的問題に対する構造化された調査に寄与する。 企業がWebサイトとのユーザインタラクションを理解することは、消費者の振る舞いに関するリッチで個人化された洞察を提供するため、価値がある。
  論文  参考訳（メタデータ） (2021-12-03T16:37:48Z)
• 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)
• Search-based User Interest Modeling with Lifelong Sequential Behavior Data for Click-Through Rate Prediction [23.460147230576855]
  我々は検索ベース興味モデル(SIM)と呼ばれる新しいモデリングパラダイムを提案する。 SIMは2つのカスケード検索ユニットでユーザ興味を抽出する。 2019年以降、SIMはAlibabaのディスプレイ広告システムにデプロイされ、CTRは7.1%、リフトは4.4%となっている。
  論文  参考訳（メタデータ） (2020-06-10T03:41:15Z)
• MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection [110.87712780017819]
  推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
  論文  参考訳（メタデータ） (2020-01-22T16:05:01Z)

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。