論文の概要: SAR-Net: A Scenario-Aware Ranking Network for PersonalizedFair
Recommendation in Hundreds of Travel Scenarios
- arxiv url: http://arxiv.org/abs/2110.06475v1
- Date: Wed, 13 Oct 2021 03:49:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-14 14:03:41.644253
- Title: SAR-Net: A Scenario-Aware Ranking Network for PersonalizedFair
Recommendation in Hundreds of Travel Scenarios
- Title（参考訳）: SAR-Net:何百もの旅行シナリオにおけるパーソナライズされたFairレコメンデーションのためのシナリオ対応ランキングネットワーク
- Authors: Qijie Shen, Wanjie Tao, Jing Zhang, Hong Wen, Zulong Chen, Quan Lu
- Abstract要約: 本稿では,これらの問題に対処する新しいシナリオ・アウェア・ランキング・ネットワーク(SAR-Net)を提案する。
8000万人以上のユーザと155万の旅行アイテムをカバーするオフラインデータセットの実験と、オンラインA/Bテストにより、SAR-Netの有効性が実証された。
- 参考スコア（独自算出の注目度）: 11.603889783538309
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The travel marketing platform of Alibaba serves an indispensable role for
hundreds of different travel scenarios from Fliggy, Taobao, Alipay apps, etc.
To provide personalized recommendation service for users visiting different
scenarios, there are two critical issues to be carefully addressed. First,
since the traffic characteristics of different scenarios, it is very
challenging to train a unified model to serve all. Second, during the promotion
period, the exposure of some specific items will be re-weighted due to manual
intervention, resulting in biased logs, which will degrade the ranking model
trained using these biased data. In this paper, we propose a novel
Scenario-Aware Ranking Network (SAR-Net) to address these issues. SAR-Net
harvests the abundant data from different scenarios by learning users'
cross-scenario interests via two specific attention modules, which leverage the
scenario features and item features to modulate the user behavior features,
respectively. Then, taking the encoded features of previous module as input, a
scenario-specific linear transformation layer is adopted to further extract
scenario-specific features, followed by two groups of debias expert networks,
i.e., scenario-specific experts and scenario-shared experts. They output
intermediate results independently, which are further fused into the final
result by a multi-scenario gating module. In addition, to mitigate the data
fairness issue caused by manual intervention, we propose the concept of
Fairness Coefficient (FC) to measures the importance of individual sample and
use it to reweigh the prediction in the debias expert networks. Experiments on
an offline dataset covering over 80 million users and 1.55 million travel items
and an online A/B test demonstrate the effectiveness of our SAR-Net and its
superiority over state-of-the-art methods.
- Abstract（参考訳）: alibabaの旅行マーケティングプラットフォームは、fliggy、taobao、alipayアプリなど、数百の異なる旅行シナリオにおいて必須の役割を担っている。
異なるシナリオを訪れるユーザにパーソナライズされたレコメンデーションサービスを提供するには、慎重に対処すべき2つの重要な課題がある。
まず、異なるシナリオのトラフィック特性から、すべてのシナリオに対応する統一モデルをトレーニングするのは非常に困難です。
第2に、プロモーション期間中に、手動による介入によって特定の項目の露出が再重み付けされ、バイアスログが発生し、バイアスデータを使用してトレーニングされたランキングモデルが劣化する。
本稿では,これらの問題に対処するための新しいシナリオアウェアランキングネットワーク(sar-net)を提案する。
SAR-Netは、2つの特定のアテンションモジュールを通じて、ユーザ間の関心事を学ぶことで、さまざまなシナリオから豊富なデータを収集する。
次に、前のモジュールのエンコードされた特徴を入力として、シナリオ固有の線形変換層を採用してシナリオ特有の特徴をさらに抽出し、デビアス専門家ネットワーク、すなわちシナリオ固有の専門家とシナリオ共有の専門家の2つのグループをフォローする。
彼らは単独で中間結果を出力し、さらにマルチシナリオゲーティングモジュールによって最終結果に融合する。
また,手動介入によるデータ公平性の問題を軽減するために,個人標本の重要性を計測し,それを用いてデビアスの専門家ネットワークの予測を再検討するフェアネス係数(FC)の概念を提案する。
8000万人以上のユーザと155万の旅行アイテムをカバーするオフラインデータセットの実験と、オンラインA/Bテストは、私たちのSAR-Netの有効性と最先端メソッドに対するその優位性を実証する。
関連論文リスト
- New User Event Prediction Through the Lens of Causal Inference [20.676353189313737]
新規ユーザのための新しい離散イベント予測フレームワークを提案する。
提案手法は,カテゴリを知る必要のない新規ユーザに対して,バイアスのない予測を提供する。
数値シミュレーションと実世界の2つの応用を用いて,提案手法の優れた性能を実証する。
論文 参考訳（メタデータ） (2024-07-08T05:35:54Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - Evaluating the Fairness of Discriminative Foundation Models in Computer
Vision [51.176061115977774]
本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。
そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。
具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
論文 参考訳（メタデータ） (2023-10-18T10:32:39Z) - UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
要約品質評価は、テキスト要約における非自明なタスクである。
統一多シナリオ要約評価モデル(UMSE)を提案する。
UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
論文 参考訳（メタデータ） (2023-05-26T12:54:44Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - Scenario-Adaptive and Self-Supervised Model for Multi-Scenario
Personalized Recommendation [35.4495536683099]
シナリオ適応型自己監督型(SASS)モデルを提案し,上記の3つの課題を解決する。
このモデルは、ユーザ側とアイテム側の両方で対称に生成され、異なるシナリオにおけるアイテムの表現を区別することができる。
このモデルは、オンラインA/Bテストにおける平均視聴時間に対して8.0%以上の改善も達成している。
論文 参考訳（メタデータ） (2022-08-24T11:44:00Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z) - Scenario-aware and Mutual-based approach for Multi-scenario
Recommendation in E-Commerce [12.794276204716642]
不均質な電子商取引のシナリオでユーザーのための正確な推奨を行う方法は、まだ継続的な研究トピックです。
本稿では,複数のシナリオの違いと類似性を活用するScenario-aware Mutual Learning (SAML) という新しい推奨モデルを提案する。
論文 参考訳（メタデータ） (2020-12-16T13:52:14Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z) - Interpretable Deep Learning Model for Online Multi-touch Attribution [14.62385029537631]
本稿では,深層学習モデルとオンラインマルチタッチ属性の解釈のための付加的特徴説明モデルを組み合わせたDeepMTAという新しいモデルを提案する。
MTAの最初の解釈可能なディープラーニングモデルとして、DeepMTAは、顧客ジャーニーにおける3つの重要な特徴について検討している。
実データセットの評価は、提案した変換予測モデルが91%の精度を達成することを示している。
論文 参考訳（メタデータ） (2020-03-26T23:21:40Z)
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。