論文の概要: SAME: Scenario Adaptive Mixture-of-Experts for Promotion-Aware
Click-Through Rate Prediction
- arxiv url: http://arxiv.org/abs/2112.13747v1
- Date: Mon, 27 Dec 2021 15:49:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-28 17:31:39.924071
- Title: SAME: Scenario Adaptive Mixture-of-Experts for Promotion-Aware
Click-Through Rate Prediction
- Title(参考訳): シナリオ適応混合によるクリックスルー率予測
- Authors: Xiaofeng Pan, Yibin Shen, Jing Zhang, Keren Yu, Hong Wen, Shui Liu,
Chengjun Mao and Bo Cao
- Abstract要約: 顧客を惹きつけ、売上を伸ばすため、電子商取引プラットフォームでは、プロモーションがますます重要になってきています。
本研究では,SAME(Scenario Adaptive Mixture-of-Experts)を提案する。
オンラインA/Bテストでは、PASEはCTRで3.58%、IPVで5.94%、通常の日では3.93%と6.57%の大幅な上昇を達成している。
- 参考スコア(独自算出の注目度): 7.461354113878709
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Promotions are becoming more important and prevalent in e-commerce platforms
to attract customers and boost sales. However, Click-Through Rate (CTR)
prediction methods in recommender systems are not able to handle such
circumstances well since: 1) they can't generalize well to serving because the
online data distribution is uncertain due to the potentially upcoming
promotions; 2) without paying enough attention to scenario signals, they are
incapable of learning different feature representation patterns which coexist
in each scenario. In this work, we propose Scenario Adaptive Mixture-of-Experts
(SAME), a simple yet effective model that serves both promotion and normal
scenarios. Technically, it follows the idea of Mixture-of-Experts by adopting
multiple experts to learn feature representations, which are modulated by a
Feature Gated Network (FGN) via an attention mechanism. To obtain high-quality
representations, we design a Stacked Parallel Attention Unit (SPAU) to help
each expert better handle user behavior sequence. To tackle the distribution
uncertainty, a set of scenario signals are elaborately devised from a
perspective of time series prediction and fed into the FGN, whose output is
concatenated with feature representation from each expert to learn the
attention. Accordingly, a mixture of the feature representations is obtained
scenario-adaptively and used for the final CTR prediction. In this way, each
expert can learn a discriminative representation pattern. To the best of our
knowledge, this is the first study for promotion-aware CTR prediction.
Experimental results on real-world datasets validate the superiority of SAME.
Online A/B test also shows SAME achieves significant gains of 3.58% on CTR and
5.94% on IPV during promotion periods as well as 3.93% and 6.57% in normal
days, respectively.
- Abstract(参考訳): eコマースプラットフォームでは、顧客を惹きつけ、売上を増やすためにプロモーションがより重要で普及している。
しかし、レコメンデータシステムにおけるクリックスルーレート(CTR)予測手法は、このような状況にうまく対応できない。
1) オンラインデータ配信が不確実であるため,今後の昇進が期待できるため,サービス提供に適さない。
2) シナリオ信号に十分な注意を払わずに,各シナリオに共存する異なる特徴表現パターンを学習することができない。
本研究では,プロモーショナルシナリオとノーマルシナリオの両方に対応する,単純かつ効果的なモデルであるsame(adaptive mix-of-experts)を提案する。
技術的には、複数の専門家を用いて特徴表現を学習し、注意機構を通じて特徴ゲーテッドネットワーク(FGN)によって変調される。
高品質な表現を得るために,各専門家がユーザ動作シーケンスをよりよく処理できるように,SPAU(Stacked Parallel Attention Unit)を設計する。
分布の不確実性に対処するために、時系列予測の観点からシナリオ信号のセットを精巧に考案し、FGNに入力し、その出力を各専門家の特徴表現と結合して注意を喚起する。
これにより、シナリオ適応的に特徴表現の混合を取得し、最終的なCTR予測に使用する。
このようにして、各専門家は識別表現パターンを学ぶことができる。
我々の知る限りでは、CTR予測の促進を意識した最初の研究である。
実世界のデータセットにおける実験結果は、その優越性を検証する。
オンラインA/Bテストでは、PASEはCTRで3.58%、IPVで5.94%、通常日で3.93%、そして6.57%の大幅な上昇を示している。
関連論文リスト
- Mitigating Biases with Diverse Ensembles and Diffusion Models [99.6100669122048]
拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークを提案する。
DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。
そこで本研究では,DPM誘導の多様化は,制御信号の追加を必要とせず,一次ショートカットキューへの依存を取り除くのに十分であることを示す。
論文 参考訳(メタデータ) (2023-11-23T15:47:33Z) - Adaptive Test-Time Personalization for Federated Learning [51.25437606915392]
テスト時パーソナライズド・フェデレーション・ラーニング(TTPFL)と呼ばれる新しい設定を導入する。
TTPFLでは、クライアントはテスト期間中にラベル付きデータに頼ることなく、教師なしの方法でグローバルモデルをローカルに適応する。
本稿では,ソースドメイン間の分散シフトから,モデル内の各モジュールの適応率を適応的に学習する ATP という新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-28T20:42:47Z) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - 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) - FL Games: A Federated Learning Framework for Distribution Shifts [71.98708418753786]
フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。
本稿では,クライアント間で不変な因果的特徴を学習するフェデレーション学習のためのゲーム理論フレームワークFL GAMESを提案する。
論文 参考訳(メタデータ) (2022-10-31T22:59:03Z) - CLMFormer: Mitigating Data Redundancy to Revitalize Transformer-based
Long-Term Time Series Forecasting System [46.39662315849883]
時系列予測(LTSF)は,様々な応用において重要な役割を担っている。
既存のTransformerベースのモデルであるFedformerやInformerは、いくつかのエポックの後、検証セット上で最高のパフォーマンスを達成することが多い。
本稿では,カリキュラム学習とメモリ駆動デコーダの導入により,この問題に対処する新しい手法を提案する。
論文 参考訳(メタデータ) (2022-07-16T04:05:15Z) - FL Games: A federated learning framework for distribution shifts [71.98708418753786]
フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。
本稿では,クライアント間で不変な因果的特徴を学習するためのゲーム理論のフレームワークであるFL Gamesを提案する。
論文 参考訳(メタデータ) (2022-05-23T07:51:45Z) - Concept Drift Adaptation for CTR Prediction in Online Advertising
Systems [6.900209851954917]
クリックスルー率(CTR)予測は、ウェブ検索、レコメンダシステム、オンライン広告表示において重要な課題である。
本稿では,CTR予測データストリームにおける適応フィルタリングによるコンセプトドリフト問題を軽減するために,専門家の適応混合(AdaMoE)を提案する。
論文 参考訳(メタデータ) (2022-04-01T07:43:43Z) - Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate
Prediction [76.98616102965023]
クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。
本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
論文 参考訳(メタデータ) (2021-06-05T01:21:21Z) - Modeling the Sequential Dependence among Audience Multi-step Conversions
with Multi-task Learning in Targeted Display Advertising [17.759045342006694]
本稿では,オーディエンス間の逐次依存をモデル化する適応型情報転送マルチタスク(aitm)フレームワークを提案する。
提案するフレームワークはMeituanアプリにデプロイされ,高エンドツーエンドのコンバージョンレートでユーザに対してバナーをリアルタイムに表示する。
論文 参考訳(メタデータ) (2021-05-18T13:07:12Z)
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。