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
- 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。