Fugu-MT 論文翻訳(概要): Cross DQN: Cross Deep Q Network for Ads Allocation in Feed

論文の概要: Cross DQN: Cross Deep Q Network for Ads Allocation in Feed

arxiv url: http://arxiv.org/abs/2109.04353v1
Date: Thu, 9 Sep 2021 15:44:13 GMT
ステータス: 処理完了
システム内更新日: 2021-09-10 14:07:48.972673
Title: Cross DQN: Cross Deep Q Network for Ads Allocation in Feed
Title（参考訳）: Cross DQN: フィードにおける広告アロケーションのためのクロスディープQネットワーク
Authors: Guogang Liao, Ze Wang, Xiaoxu Wu, Xiaowen Shi, Chuheng Zhang, Yongkang Wang, Xingxing Wang, Dong Wang
Abstract要約: 電子商取引プラットフォームは通常、広告とオーガニックアイテムの混合リストをフィードに表示する。そこで我々はCross Deep Q Networkを提案し,異なる項目の埋め込みを横切ることでアレンジメント信号を抽出する。我々のモデルは、オフライン実験において最先端のベースラインよりも高い収益とユーザーエクスペリエンスをもたらす。
参考スコア（独自算出の注目度）: 11.752703912138944
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: E-commerce platforms usually display a mixed list of ads and organic items in feed. One key problem is to allocate the limited slots in the feed to maximize the overall revenue as well as improve user experience, which requires a good model for user preference. Instead of modeling the influence of individual items on user behaviors, the arrangement signal models the influence of the arrangement of items and may lead to a better allocation strategy. However, most of previous strategies fail to model such a signal and therefore result in suboptimal performance. To this end, we propose Cross Deep Q Network (Cross DQN) to extract the arrangement signal by crossing the embeddings of different items and processing the crossed sequence in the feed. Our model results in higher revenue and better user experience than state-of-the-art baselines in offline experiments. Moreover, our model demonstrates a significant improvement in the online A/B test and has been fully deployed on Meituan feed to serve more than 300 millions of customers.
Abstract（参考訳）: 電子商取引プラットフォームは通常、広告とオーガニックアイテムの混合リストをフィードに表示する。重要な問題のひとつは、フィードの制限されたスロットを割り当てて全体の収益を最大化し、ユーザーエクスペリエンスを向上させることだ。個々のアイテムがユーザ行動に与える影響をモデル化する代わりに、アレンジ信号はアイテムのアレンジの影響をモデル化し、アロケーション戦略を改善することができる。しかし、以前の戦略のほとんどはそのような信号のモデル化に失敗し、結果として準最適性能をもたらす。この目的のために、異なるアイテムの埋め込みを渡り、フィード内のクロスシーケンスを処理することで、アレンジメント信号を抽出するクロスディープQネットワーク(Cross DQN)を提案する。我々のモデルは、オフライン実験において最先端のベースラインよりも高い収益とユーザーエクスペリエンスをもたらす。さらに,本モデルは,オンラインa/bテストの大幅な改善を示し,3億人以上の顧客にサービスを提供するためにmeituanフィードに完全にデプロイされている。

関連論文リスト

LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文参考訳（メタデータ） (2024-02-06T19:18:04Z)
UniMatch: A Unified User-Item Matching Framework for the Multi-purpose Merchant Marketing [27.459774494479227]
1つのモデルでアイテムレコメンデーションとユーザターゲティングを同時に行うために,統合されたユーザイテムマッチングフレームワークを提案する。我々のフレームワークは、最先端の手法と比較して大幅に性能が向上し、計算資源や日々のメンテナンスにかかるコストが大幅に削減された。
論文参考訳（メタデータ） (2023-07-19T13:49:35Z)
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)
Targeted Advertising on Social Networks Using Online Variational Tensor Regression [19.586412285513962]
我々は、オンラインターゲティング広告のための最初の文脈的盗賊フレームワークであると考えるものを提案する。提案するフレームワークは,多モードテンソルの形で,任意の特徴ベクトルに対応するように設計されている。提案したUCBアルゴリズムは,ベンチマークによる影響タスクの大幅な改善を実現することを実証的に確認する。
論文参考訳（メタデータ） (2022-08-22T22:10:45Z)
VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文参考訳（メタデータ） (2022-05-31T17:45:30Z)
Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文参考訳（メタデータ） (2022-04-18T09:25:06Z)
Deep Page-Level Interest Network in Reinforcement Learning for Ads Allocation [14.9065245548275]
本稿では,ページレベルのユーザ嗜好をモデル化し,複数タイプのフィードバックを活用するために,Deep Page-level Interest Network (DPIN)を提案する。具体的には、4種類のページレベルのフィードバックを入力として導入し、異なる受容領域下でのアイテム配置のユーザの好みをキャプチャする。
論文参考訳（メタデータ） (2022-04-01T11:58:00Z)
DCAP: Deep Cross Attentional Product Network for User Response Prediction [20.17934000984361]
我々はDCAP(Deep Cross Attentional Product Network)という新しいアーキテクチャを提案する。 DCAPは、高階機能相互作用をベクトルレベルで明示的にモデリングするクロスネットワークの利点を維持します。提案モデルは容易に実装でき,並行して訓練できる。
論文参考訳（メタデータ） (2021-05-18T16:27:20Z)
PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
論文参考訳（メタデータ） (2021-05-04T15:23:59Z)
Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
論文参考訳（メタデータ） (2020-10-22T03:12:02Z)
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)

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。