論文の概要: Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2201.13311v1
• Date: Tue, 25 Jan 2022 12:44:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-06 08:15:16.237099
• Title: Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction
• Title（参考訳）: クリックスルー速度予測のためのマスク変圧器
• Authors: Erxue Min, Yu Rong, Tingyang Xu, Yatao Bian, Peilin Zhao, Junzhou Huang, Da Luo, Kangyi Lin, Sophia Ananiadou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 74.52904110197004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Click-Through Rate (CTR) prediction, is an essential component of online advertising. The mainstream techniques mostly focus on feature interaction or user interest modeling, which rely on users' directly interacted items. The performance of these methods are usally impeded by inactive behaviours and system's exposure, incurring that the features extracted do not contain enough information to represent all potential interests. For this sake, we propose Neighbor-Interaction based CTR prediction, which put this task into a Heterogeneous Information Network (HIN) setting, then involves local neighborhood of the target user-item pair in the HIN to predict their linkage. In order to enhance the representation of the local neighbourhood, we consider four types of topological interaction among the nodes, and propose a novel Graph-masked Transformer architecture to effectively incorporates both feature and topological information. We conduct comprehensive experiments on two real world datasets and the experimental results show that our proposed method outperforms state-of-the-art CTR models significantly.
• Abstract（参考訳）: クリックスルー率(ctr)予測は、オンライン広告の重要な要素である。 主流となる技術は、主に機能相互作用やユーザ関心モデリングに焦点を合わせており、これはユーザーの直接対話するアイテムに依存している。 これらの手法の性能は、不活性な振る舞いとシステムの露出によって間接的に妨げられ、抽出された特徴がすべての潜在的な関心を表わすのに十分な情報を持っていないことに起因する。 そこで本研究では,このタスクをヘテロジニアス・インフォメーション・ネットワーク(hin)に設定し,hin内のユーザ・アイテム対の局所的な近傍を包含してリンクを予測する,隣接対話型ctr予測を提案する。 そこで我々は,各ノード間のトポロジ的相互作用を4種類検討し,特徴情報とトポロジ情報の両方を効果的に組み込む新しいグラフマス化トランスフォーマーアーキテクチャを提案する。 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。

関連論文リスト

• InterFormer: Towards Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [72.50606292994341]
  我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。 提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-11-15T00:20:36Z)
• Warming Up Cold-Start CTR Prediction by Learning Item-Specific Feature Interactions [45.43816499513853]
  EmerGは、アイテム固有の特徴相互作用パターンを学習することで、コールドスタートCTR予測を温める新しいアプローチである。 EmerGは、新しいアイテムの最も優れたNo、数、そして十分なインスタンスを一貫して実行します。
  論文  参考訳（メタデータ） (2024-07-14T07:58:13Z)
• RAT: Retrieval-Augmented Transformer for Click-Through Rate Prediction [68.34355552090103]
  本稿では, 試料内および試料間における微細な特徴相互作用の獲得を目的とした検索-拡張変換器(RAT)を開発した。 次に、トランスフォーマー層をカスケードされた注意で構築し、イントラサンプルとクロスサンプルの両方の機能インタラクションをキャプチャします。 実世界のデータセットの実験は、RATの有効性を裏付け、ロングテールシナリオにおいてその利点を示唆している。
  論文  参考訳（メタデータ） (2024-04-02T19:14:23Z)
• Real-Time Motion Prediction via Heterogeneous Polyline Transformer with Relative Pose Encoding [121.08841110022607]
  既存のエージェント中心の手法は、公開ベンチマークで顕著な性能を示した。 K-nearest neighbor attention with relative pose encoding (KNARPE) は、トランスフォーマーがペアワイズ相対表現を使用できる新しいアテンション機構である。 エージェント間でコンテキストを共有し、変化しないコンテキストを再利用することで、私たちのアプローチはシーン中心のメソッドと同じくらい効率的になり、最先端のエージェント中心のメソッドと同等に実行されます。
  論文  参考訳（メタデータ） (2023-10-19T17:59:01Z)
• IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
  グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。 ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。 我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-08T03:38:09Z)
• Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction [64.03526633651218]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最も重要な機械学習タスクの1つである。 本稿では,AutoCTR と呼ばれる CTR 予測のための自動インタラクションアーキテクチャ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-29T04:33:01Z)
• 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)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。