論文の概要: MOEF: Modeling Occasion Evolution in Frequency Domain for Promotion-Aware Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2112.13747v6
• Date: Thu, 30 Mar 2023 10:50:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 18:48:26.033434
• Title: MOEF: Modeling Occasion Evolution in Frequency Domain for Promotion-Aware Click-Through Rate Prediction
• Title（参考訳）: moef: プロモーション・アウェアクリックスルー率予測のための周波数領域における時折進化のモデル化
• Authors: Xiaofeng Pan, Yibin Shen, Jing Zhang, Xu He, Yang Huang, Hong Wen, Chengjun Mao and Bo Cao
• Abstract要約: そこで我々はMOEFと呼ばれる新しいClick-Through Rate(CTR)モデルを提案する。 本稿では,オンラインビジネスシナリオから発生する機会信号からなる時系列を設計する。 複数の側面から特徴表現を学ぶために,複数の専門家を採用する。
• 参考スコア（独自算出の注目度）: 13.782367376549816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Promotions are becoming more important and prevalent in e-commerce to attract customers and boost sales, leading to frequent changes of occasions, which drives users to behave differently. In such situations, most existing Click-Through Rate (CTR) models can't generalize well to online serving due to distribution uncertainty of the upcoming occasion. In this paper, we propose a novel CTR model named MOEF for recommendations under frequent changes of occasions. Firstly, we design a time series that consists of occasion signals generated from the online business scenario. Since occasion signals are more discriminative in the frequency domain, we apply Fourier Transformation to sliding time windows upon the time series, obtaining a sequence of frequency spectrum which is then processed by Occasion Evolution Layer (OEL). In this way, a high-order occasion representation can be learned to handle the online distribution uncertainty. Moreover, we adopt multiple experts to learn feature representations from multiple aspects, which are guided by the occasion representation via an attention mechanism. Accordingly, a mixture of feature representations is obtained adaptively for different occasions to predict the final CTR. Experimental results on real-world datasets validate the superiority of MOEF and online A/B tests also show MOEF outperforms representative CTR models significantly.
• Abstract（参考訳）: プロモーションは、顧客を惹きつけ、売上を伸ばすために、電子商取引においてますます重要で、普及している。 このような状況下では,既存のClick-Through Rate (CTR) モデルでは,今後の配電の不確実性のため,オンラインサービスにうまく対応できない。 本稿では,頻繁な変化下でのレコメンデーションのための新しいctrモデルmoefを提案する。 まず、オンラインビジネスシナリオから生成された時折のシグナルからなる時系列をデザインする。 周波数領域では周波数信号がより識別されるので、時系列上でスライディング時間ウィンドウにフーリエ変換を適用し、オッケーション進化層(OEL)によって処理される周波数スペクトル列を得る。 このようにして、オンライン配信の不確実性に対処するために、高階の機会表現を学ぶことができる。 さらに,注目機構を介して特徴表現を導出する複数の側面から特徴表現を学ぶために,複数の専門家を採用する。 これにより、異なるタイミングで特徴表現の混合が適応的に得られ、最終的なCTRを予測する。 実世界のデータセットによる実験結果からMOEFの優位性を検証し,オンラインA/BテストもMOEFが代表的CTRモデルよりも優れていた。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• An accuracy improving method for advertising click through rate prediction based on enhanced xDeepFM model [0.0]
  本稿では,xDeepFMアーキテクチャに基づく改良型CTR予測モデルを提案する。 マルチヘッド・アテンション・メカニズムを統合することで、モデルは機能相互作用の異なる側面に同時に焦点を合わせることができる。 Criteoデータセットの実験結果は、提案モデルが他の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-11-21T03:21:29Z)
• MLoRA: Multi-Domain Low-Rank Adaptive Network for CTR Prediction [18.524017579108044]
  CTR予測のためのMulti-domain Low-Rank Adaptive Network (MLoRA)を提案する。 実験により,MLoRA法は最先端のベースラインに比べて大幅に改善された。 MLoRAのコードは公開されています。
  論文  参考訳（メタデータ） (2024-08-14T05:53:02Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• 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)
• 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。