論文の概要: Evaluating Deep Vs. Wide & Deep Learners As Contextual Bandits For Personalized Email Promo Recommendations

• arxiv url: http://arxiv.org/abs/2202.00146v1
• Date: Mon, 31 Jan 2022 23:26:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 02:04:15.927183
• Title: Evaluating Deep Vs. Wide & Deep Learners As Contextual Bandits For Personalized Email Promo Recommendations
• Title（参考訳）: パーソナライズされたメールプロモーションレコメンデーションのためのコンテキストバンディットとしてのdeep vs. wideとdeep learnersの評価
• Authors: Aleksey A. Kocherzhenko, Nirmal Sobha Kartha, Tengfei Li, Hsin-Yi (Jenny) Shih, Marco Mandic, Mike Fuller, Arshak Navruzyan
• Abstract要約: パーソナライゼーションにより、企業は過去のインタラクションから顧客の好みを学ぶことができる。 我々は、いくつかの選択肢から与えられた顧客に対する最適なプロモーションオファーを予測する問題は、文脈的盗聴の問題であると考えている。
• 参考スコア（独自算出の注目度）: 1.1213676742918772
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalization enables businesses to learn customer preferences from past interactions and thus to target individual customers with more relevant content. We consider the problem of predicting the optimal promotional offer for a given customer out of several options as a contextual bandit problem. Identifying information for the customer and/or the campaign can be used to deduce unknown customer/campaign features that improve optimal offer prediction. Using a generated synthetic email promo dataset, we demonstrate similar prediction accuracies for (a) a wide and deep network that takes identifying information (or other categorical features) as input to the wide part and (b) a deep-only neural network that includes embeddings of categorical features in the input. Improvements in accuracy from including categorical features depends on the variability of the unknown numerical features for each category. We also show that selecting options using upper confidence bound or Thompson sampling, approximated via Monte Carlo dropout layers in the wide and deep models, slightly improves model performance.
• Abstract（参考訳）: パーソナライゼーションにより、企業は過去のインタラクションから顧客の好みを学習し、より関連するコンテンツで個々の顧客をターゲットにすることができる。 我々は,複数の選択肢の中から,顧客に対して最適なプロモーションオファーを予測できるという課題を,コンテキストバンディット問題として検討する。 顧客および/またはキャンペーンの識別情報は、最適なオファー予測を改善する未知の顧客/キャンプの特徴を推測するために使用できる。 合成メールプロモデータセットを用いて、同様の予測精度を示す。 (a)広い部分への入力として識別情報(又は他の分類的特徴)を取り込む広義の深層ネットワーク (b)入力にカテゴリの特徴の埋め込みを含む深層のみのニューラルネットワーク。 カテゴリー的特徴を含む精度の向上は、各カテゴリの未知の数値的特徴の変動に依存する。 また,モンテカルロ・ドロップアウト層をモデルモデルと深部モデルで近似し,高信頼境界あるいはトンプソンサンプリングを用いた選択オプションがモデル性能をわずかに向上することを示した。

関連論文リスト

• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)
• Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
  本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。 1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。 複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• A Neural Network Based Choice Model for Assortment Optimization [5.173001988341294]
  ニューラルネットワークアーキテクチャが、さまざまなコンテキストからデータセットの購入確率を予測することができるかどうかを検討する。 次に,既製の整数計画解法で解けるアソシエーション最適化の定式化を開発する。
  論文  参考訳（メタデータ） (2023-08-10T15:01:52Z)
• Estimating Conditional Mutual Information for Dynamic Feature Selection [14.706269510726356]
  動的な特徴選択は、機能獲得コストを削減し、モデルの予測に透明性を提供する、有望なパラダイムである。 ここでは、情報理論の観点から、応答変数との相互情報に基づいて特徴を優先順位付けする。 提案手法は, 様々なデータセットにわたる最近の手法に対して一貫した利得を提供する。
  論文  参考訳（メタデータ） (2023-06-05T23:03:03Z)
• Customer Churn Prediction Model using Explainable Machine Learning [0.0]
  この論文の主な目的は、チャーンする可能性が最も高い潜在的な顧客を予測するのに役立つ、ユニークな顧客チャーン予測モデルを開発することである。 各種木に基づく機械学習手法とアルゴリズムの性能評価と解析を行った。 モデル説明可能性と透明性を改善するため,提案手法では,特徴の組合せについてシェープ値を計算する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T04:45:57Z)
• A Hybrid Statistical-Machine Learning Approach for Analysing Online Customer Behavior: An Empirical Study [2.126171264016785]
  我々は、中国最大のオンライン小売店であるJDにおいて、特定の商品カテゴリーに対する454,897人のオンライン顧客行動を分析するハイブリッド解釈モデルを開発した。 以上の結果から,顧客の製品選択が約束される納期に無関心であることが分かるが,この要因は顧客の注文量に大きな影響を及ぼす。 特定のディスカウントアプローチがより効果的である製品クラスを特定し、異なるディスカウントツールの使用を改善するためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2022-12-01T19:37:29Z)
• Targeted Advertising on Social Networks Using Online Variational Tensor Regression [19.586412285513962]
  我々は、オンラインターゲティング広告のための最初の文脈的盗賊フレームワークであると考えるものを提案する。 提案するフレームワークは,多モードテンソルの形で,任意の特徴ベクトルに対応するように設計されている。 提案したUCBアルゴリズムは,ベンチマークによる影響タスクの大幅な改善を実現することを実証的に確認する。
  論文  参考訳（メタデータ） (2022-08-22T22:10:45Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation [55.0391061198924]
  セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。 セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。 セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
  論文  参考訳（メタデータ） (2022-05-09T10:47:15Z)
• Towards Personalized Answer Generation in E-Commerce via Multi-Perspective Preference Modeling [62.049330405736406]
  Eコマースプラットフォーム上での製品質問回答(PQA)は、インテリジェントオンラインショッピングアシスタントとして機能するため、注目を集めている。 なぜなら、多くの顧客は、自分でのみカスタマイズされた情報でパーソナライズされた回答を見たいと思っているからです。 PQAにおけるパーソナライズされた回答を生成するための,新しいマルチパースペクティブなユーザ嗜好モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:51:49Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)

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。