論文の概要: Conversion Rate Prediction via Meta Learning in Small-Scale Recommendation Scenarios

• arxiv url: http://arxiv.org/abs/2112.13753v1
• Date: Mon, 27 Dec 2021 16:05:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 17:31:07.955606
• Title: Conversion Rate Prediction via Meta Learning in Small-Scale Recommendation Scenarios
• Title（参考訳）: 小規模レコメンデーションシナリオにおけるメタラーニングによるコンバージョン率予測
• Authors: Xiaofeng Pan, Ming Li, Jing Zhang, Keren Yu, Luping Wang, Hong Wen, Chengjun Mao and Bo Cao
• Abstract要約: 本稿では,データ分散ゆらぎ(DDF)問題に対処するメタ学習の観点から,MetaCVRという新しいCVR手法を提案する。 我々の知る限りでは、小規模なレコメンデーションシナリオにおけるDFF問題を対象としたCVR予測の最初の研究である。
• 参考スコア（独自算出の注目度）: 17.02759665047561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Different from large-scale platforms such as Taobao and Amazon, developing CVR models in small-scale recommendation scenarios is more challenging due to the severe Data Distribution Fluctuation (DDF) issue. DDF prevents existing CVR models from being effective since 1) several months of data are needed to train CVR models sufficiently in small scenarios, leading to considerable distribution discrepancy between training and online serving; and 2) e-commerce promotions have much more significant impacts on small scenarios, leading to distribution uncertainty of the upcoming time period. In this work, we propose a novel CVR method named MetaCVR from a perspective of meta learning to address the DDF issue. Firstly, a base CVR model which consists of a Feature Representation Network (FRN) and output layers is elaborately designed and trained sufficiently with samples across months. Then we treat time periods with different data distributions as different occasions and obtain positive and negative prototypes for each occasion using the corresponding samples and the pre-trained FRN. Subsequently, a Distance Metric Network (DMN) is devised to calculate the distance metrics between each sample and all prototypes to facilitate mitigating the distribution uncertainty. At last, we develop an Ensemble Prediction Network (EPN) which incorporates the output of FRN and DMN to make the final CVR prediction. In this stage, we freeze the FRN and train the DMN and EPN with samples from recent time period, therefore effectively easing the distribution discrepancy. To the best of our knowledge, this is the first study of CVR prediction targeting the DDF issue in small-scale recommendation scenarios. Experimental results on real-world datasets validate the superiority of our MetaCVR and online A/B test also shows our model achieves impressive gains of 11.92% on PCVR and 8.64% on GMV.
• Abstract（参考訳）: taobaoやamazonのような大規模プラットフォームとは異なり、小規模レコメンデーションシナリオでのcvrモデルの開発は、深刻なデータ分散変動(ddf)の問題のため、より困難である。 DDFは既存のCVRモデルが有効になるのを防ぐ 1)小さなシナリオで十分なCVRモデルをトレーニングするためには、数ヶ月のデータが必要であり、トレーニングとオンラインサービスの間にかなりの分散不一致が生じます。 2)電子商取引の促進は小規模なシナリオに多大な影響を与え、今後の期間の流通の不確実性をもたらす。 本研究では,メタ学習の観点からメタCVRという新しいCVR手法を提案し,DDF問題に対処する。 まず、機能表現ネットワーク(frn)と出力層からなるベースcvrモデルを精巧に設計し、数ヶ月にわたってサンプルで十分に訓練する。 そして、異なるデータ分布を持つ期間を異なる機会として扱い、対応するサンプルと予め訓練されたfrnを用いて、各機会に正負のプロトタイプを得る。 その後、分散距離ネットワーク(DMN)が考案され、各サンプルとプロトタイプ間の距離メトリクスを計算し、分布の不確実性を緩和する。 最終的に、FRNとDMNの出力を組み込んだEnsemble Prediction Network (EPN)を開発し、最終的なCVR予測を行う。 この段階では、FRNを凍結し、近年のサンプルでDMNとEPNを訓練することにより、分散の相違を効果的に緩和する。 我々の知る限りでは、小規模なレコメンデーションシナリオにおけるDFF問題を対象としたCVR予測の最初の研究である。 MetaCVRとオンラインA/Bテストの優位性を実証する実世界のデータセットの実験結果からも、PCVRでは11.92%、GMVでは8.64%という驚くべき成果が得られた。

関連論文リスト

• DOTA: Distributional Test-Time Adaptation of Vision-Language Models [52.98590762456236]
  トレーニングフリーテスト時動的アダプタ(TDA)は、この問題に対処するための有望なアプローチである。 単体テスト時間適応法(Dota)の簡易かつ効果的な方法を提案する。 Dotaは継続的にテストサンプルの分布を推定し、モデルがデプロイメント環境に継続的に適応できるようにします。
  論文  参考訳（メタデータ） (2024-09-28T15:03:28Z)
• Variational Mode Decomposition and Linear Embeddings are What You Need For Time-Series Forecasting [2.1233286062376497]
  変動モード分解(VMD)は、データを異なるモードに分解することでボラティリティを緩和する有望な手法として登場した。 本研究では,線形モデルとVMDを統合し,ロバストな予測フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-08-28T20:22:09Z)
• Probabilistic Contrastive Learning for Long-Tailed Visual Recognition [78.70453964041718]
  細長い分布は、少数の少数派が限られた数のサンプルを含む実世界のデータにしばしば現れる。 近年の研究では、教師付きコントラスト学習がデータ不均衡を緩和する有望な可能性を示していることが明らかになっている。 本稿では,特徴空間の各クラスからのサンプルデータ分布を推定する確率論的コントラスト学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-11T13:44:49Z)
• Contrastive Learning for Conversion Rate Prediction [6.607531486024888]
  本稿では,CL4CVR(Contrastive Learning for CVR Prediction)フレームワークを提案する。 教師付きCVR予測タスクと、より良いデータ表現を学ぶための対照的な学習タスクを関連付ける。 2つの実世界の変換データセットの実験結果は、CL4CVRの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-07-12T07:42:52Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Empirical Models for Multidimensional Regression of Fission Systems [0.0]
  我々は、中性子輸送の多次元回帰のための経験的モデルを開発するためのガイドラインを開発する。 精度と精度を評価すると、SVRがANNに追随し、最高の性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2021-05-30T22:53:39Z)
• Delayed Feedback Modeling for the Entire Space Conversion Rate Prediction [15.579755993971657]
  クリック後変換率(CVR)を正確に推定することはEコマースにおいて重要である。 本稿では,上記の3つの課題に同時に取り組むために,新しいニューラルネットワークフレームワークESDFを提案する。
  論文  参考訳（メタデータ） (2020-11-24T01:14:03Z)
• Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
  本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。 本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。 私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
  論文  参考訳（メタデータ） (2020-08-10T17:09:16Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。