論文の概要: Dynamic Parameterized Network for CTR Prediction
- arxiv url: http://arxiv.org/abs/2111.04983v1
- Date: Tue, 9 Nov 2021 08:15:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-10 15:24:48.319611
- Title: Dynamic Parameterized Network for CTR Prediction
- Title(参考訳): CTR予測のための動的パラメータネットワーク
- Authors: Jian Zhu, Congcong Liu, Pei Wang, Xiwei Zhao, Guangpeng Chen, Junsheng
Jin, Changping Peng, Zhangang Lin, Jingping Shao
- Abstract要約: 我々は、明示的かつ暗黙的な相互作用をインスタンスワイズで学習するために、新しいプラグイン操作であるDynamic ized Operation (DPO)を提案した。
DNNモジュールとアテンションモジュールへのDPOの導入は,クリックスルー率(CTR)予測においてそれぞれ2つの主要なタスクに有効であることを示した。
我々のDynamic ized Networksは、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のオフライン実験において、最先端の手法を著しく上回る。
- 参考スコア(独自算出の注目度): 6.749659219776502
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning to capture feature relations effectively and efficiently is
essential in click-through rate (CTR) prediction of modern recommendation
systems. Most existing CTR prediction methods model such relations either
through tedious manually-designed low-order interactions or through inflexible
and inefficient high-order interactions, which both require extra DNN modules
for implicit interaction modeling. In this paper, we proposed a novel plug-in
operation, Dynamic Parameterized Operation (DPO), to learn both explicit and
implicit interaction instance-wisely. We showed that the introduction of DPO
into DNN modules and Attention modules can respectively benefit two main tasks
in CTR prediction, enhancing the adaptiveness of feature-based modeling and
improving user behavior modeling with the instance-wise locality. Our Dynamic
Parameterized Networks significantly outperforms state-of-the-art methods in
the offline experiments on the public dataset and real-world production
dataset, together with an online A/B test. Furthermore, the proposed Dynamic
Parameterized Networks has been deployed in the ranking system of one of the
world's largest e-commerce companies, serving the main traffic of hundreds of
millions of active users.
- Abstract(参考訳): 現代のレコメンデーションシステムのクリックスルーレート(CTR)予測において,特徴関係を効果的かつ効率的に捉える学習が不可欠である。
既存のCTR予測手法の多くは、手作業で設計した低次相互作用や、暗黙的な相互作用モデリングのために追加のDNNモジュールを必要とする非フレキシブルで非効率な高次相互作用を通じてそのような関係をモデル化している。
本稿では,明示的かつ暗黙的な相互作用をインスタンス的に学習するための新しいプラグイン操作である動的パラメータ化操作(DPO)を提案する。
DNNモジュールとアテンションモジュールへのDPOの導入は、それぞれCTR予測における2つの主要なタスクに役立ち、特徴ベースモデリングの適応性を高め、インスタンスワイドな局所性でユーザ行動モデリングを改善することができることを示した。
我々の動的パラメータ化ネットワークは、オンラインA/Bテストとともに、パブリックデータセットと実世界の実運用データセットのオフライン実験において、最先端の手法を著しく上回る。
さらに、提案されている動的パラメータ化ネットワークは、世界最大級のeコマース企業のランキングシステムに配備されており、数億人のアクティブユーザーのメイントラフィックを提供している。
関連論文リスト
- 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) - Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。
本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
論文 参考訳(メタデータ) (2023-05-26T13:19:15Z) - DynInt: Dynamic Interaction Modeling for Large-scale Click-Through Rate
Prediction [0.0]
機能インタラクションの学習は、Adsランキングとレコメンデーションシステムにおける大規模なCTR予測の成功の鍵である。
このような問題をモデル化するために、ディープニューラルネットワークベースのモデルが広く採用されている。
我々はDynIntという新しいモデルを提案する。DynIntは動的でデータに依存しない高次相互作用を学習する。
論文 参考訳(メタデータ) (2023-01-03T13:01:30Z) - Directed Acyclic Graph Factorization Machines for CTR Prediction via
Knowledge Distillation [65.62538699160085]
本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。
KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
論文 参考訳(メタデータ) (2022-11-21T03:09:42Z) - 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) - 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) - ARM-Net: Adaptive Relation Modeling Network for Structured Data [29.94433633729326]
ARM-Netは、構造化データに適した適応関係モデリングネットワークであり、リレーショナルデータのためのARM-Netに基づく軽量フレームワークARMORである。
ARM-Netは既存のモデルより一貫して優れており、データセットに対してより解釈可能な予測を提供する。
論文 参考訳(メタデータ) (2021-07-05T07:37:24Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳(メタデータ) (2021-05-03T07:23:39Z) - AutoDis: Automatic Discretization for Embedding Numerical Features in
CTR Prediction [45.69943728028556]
高度な機能相互作用の学習は、レコメンデータシステムにおけるClick-Through Rate(CTR)予測に不可欠である。
様々な深いCTRモデルは、埋め込みとフィーチャーインタラクションのパラダイムに従います。
数値フィールドの特徴を自動的に識別し、エンドツーエンドでCTRモデルに最適化するフレームワークであるAutoDisを提案します。
論文 参考訳(メタデータ) (2020-12-16T14:31:31Z) - Feature Interaction based Neural Network for Click-Through Rate
Prediction [5.095988654970358]
本稿では,3次元関係テンソルを用いて特徴相互作用をモデル化可能な特徴相互作用ベースニューラルネットワーク(FINN)を提案する。
我々のディープFINNモデルは、PNNやDeepFMのような最先端のディープモデルよりも優れていることを示す。
また、我々のモデルは、機能相互作用を効果的に学習し、実世界のデータセットでより良いパフォーマンスを達成することができることを示している。
論文 参考訳(メタデータ) (2020-06-07T03:53:24Z)
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。