論文の概要: Triangle Graph Interest Network for Click-through Rate Prediction
- arxiv url: http://arxiv.org/abs/2202.02698v1
- Date: Sun, 6 Feb 2022 03:48:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 16:04:36.933044
- Title: Triangle Graph Interest Network for Click-through Rate Prediction
- Title（参考訳）: クリックスルーレート予測のための三角形グラフ関心ネットワーク
- Authors: Wensen Jiang, Yizhu Jiao, Qingqin Wang, Chuanming Liang, Lijie Guo,
Yao Zhang, Zhijun Sun, Yun Xiong, Yangyong Zhu
- Abstract要約: クリックスルーレート予測のためのTGIN(Triangle Graph Interest Network)という新しいフレームワークを提案する。
ユーザ行動シーケンスの各クリック項目に対して、サプリメントとしてアイテムイットグラフの近傍に三角形を導入する。
複数の興味ユニットの情報を集約することで、すべてのクリック動作を特徴付け、感情的モチベーションの問題を緩和する。
- 参考スコア（独自算出の注目度）: 10.442084155281178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Click-through rate prediction is a critical task in online advertising.
Currently, many existing methods attempt to extract user potential interests
from historical click behavior sequences. However, it is difficult to handle
sparse user behaviors or broaden interest exploration. Recently, some
researchers incorporate the item-item co-occurrence graph as an auxiliary. Due
to the elusiveness of user interests, those works still fail to determine the
real motivation of user click behaviors. Besides, those works are more biased
towards popular or similar commodities. They lack an effective mechanism to
break the diversity restrictions. In this paper, we point out two special
properties of triangles in the item-item graphs for recommendation systems:
Intra-triangle homophily and Inter-triangle heterophiy. Based on this, we
propose a novel and effective framework named Triangle Graph Interest Network
(TGIN). For each clicked item in user behavior sequences, we introduce the
triangles in its neighborhood of the item-item graphs as a supplement. TGIN
regards these triangles as the basic units of user interests, which provide the
clues to capture the real motivation for a user clicking an item. We
characterize every click behavior by aggregating the information of several
interest units to alleviate the elusive motivation problem. The attention
mechanism determines users' preference for different interest units. By
selecting diverse and relative triangles, TGIN brings in novel and
serendipitous items to expand exploration opportunities of user interests.
Then, we aggregate the multi-level interests of historical behavior sequences
to improve CTR prediction. Extensive experiments on both public and industrial
datasets clearly verify the effectiveness of our framework.
- Abstract（参考訳）: クリックスルー率予測はオンライン広告において重要な課題である。
現在、多くの既存手法が歴史的クリック動作シーケンスからユーザ潜在的な関心を引き出そうとしている。
しかし,スパースなユーザ行動の処理や関心調査の拡大は困難である。
近年、アイテムイットム共起グラフを補助グラフとして組み込んでいる研究者もいる。
ユーザーの興味が浮かび上がっているため、これらの作業はユーザークリック行動の本当の動機を決定するのに失敗する。
さらに、これらの作品は人気商品や類似商品に偏っている。
多様性の制限を破る効果的なメカニズムが欠如している。
本稿では,三角内ホモフィリーと三角間ヘテロフィという,レコメンデーションシステムのためのアイテムイットグラフにおける三角形の特殊特性について述べる。
そこで本研究では,TGIN(Triangle Graph Interest Network)という,新しい効果的なフレームワークを提案する。
ユーザの動作シーケンスの各クリック項目に対して,アイテム-項目グラフ近傍の三角形を補足として紹介する。
TGINは、これらの三角形をユーザー興味の基本単位とみなし、ユーザーがアイテムをクリックする真の動機を捉える手がかりを提供する。
我々は,複数の興味要素の情報を集約することで,すべてのクリック動作を特徴付け,解き放たれる動機づけ問題を緩和する。
注意機構は、異なる関心単位に対するユーザの好みを決定する。
多様な三角形と相対三角形を選択することで、TGINは新規でセレンディピティーなアイテムを持ち込み、ユーザー興味の探索機会を広げる。
次に,CTR予測を改善するために,過去の行動系列の多段階的関心を集約する。
公的および産業的なデータセットに関する大規模な実験は、我々のフレームワークの有効性を明確に検証する。
関連論文リスト
- Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。
近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。
マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
論文 参考訳（メタデータ） (2024-11-22T15:29:05Z) - CoActionGraphRec: Sequential Multi-Interest Recommendations Using Co-Action Graphs [4.031699584957737]
eBayのデータは、他のEコマースサイトよりも桁違いに多い。
共作用グラフ層を利用したテキストベースの2tower深層学習モデル(アイテムタワーとユーザタワー)を提案する。
項目タワーでは、各項目をその共作用項目を用いて表現し、グラフニューラルネットワークコンポーネントによって完全に活用される協調作用グラフで協調的な信号をキャプチャする。
論文 参考訳（メタデータ） (2024-10-15T10:11:18Z) - Exploring the Individuality and Collectivity of Intents behind Interactions for Graph Collaborative Filtering [9.740376003100437]
本稿では,BIGCF (Bilateral Intent-Guided Graph Collaborative Filtering) に指定された新しい推薦フレームワークを提案する。
具体的には、因果的視点からユーザとイテムの相互作用を詳しく調べ、個別の意図の概念を提示する。
暗黙的なフィードバックの空間性に対抗するため、ユーザとアイテムの特徴分布はガウスベースのグラフ生成戦略を介して符号化される。
論文 参考訳（メタデータ） (2024-05-15T02:31:26Z) - Deep Group Interest Modeling of Full Lifelong User Behaviors for CTR Prediction [32.35797628133921]
Deep Group Interest Network (DGIN) は、ユーザーの行動履歴をモデル化するエンド・ツー・エンドの手法である。
DGINグルーピングはO(104)からO(102)までの行動長を著しく減少させる
我々は、生涯の行動シーケンスから、同じ項目_idと候補項目を共有する行動のサブセットを同定する。
論文 参考訳（メタデータ） (2023-11-15T06:36:11Z) - Neighbor Based Enhancement for the Long-Tail Ranking Problem in Video
Rank Models [0.0]
本稿では,対象ユーザや項目の表現のトレーニングを支援する新しい隣人拡張構造を提案する。
有名な公開データセットMovieLens 1Mの実験は、この手法の効率を実証している。
論文 参考訳（メタデータ） (2023-02-16T07:38:51Z) - DisenHCN: Disentangled Hypergraph Convolutional Networks for
Spatiotemporal Activity Prediction [53.76601630407521]
本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。
特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。
次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
論文 参考訳（メタデータ） (2022-08-14T06:51:54Z) - Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。
時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-11T16:15:25Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳（メタデータ） (2021-01-08T04:16:24Z) - Multi-Interactive Attention Network for Fine-grained Feature Learning in
CTR Prediction [48.267995749975476]
クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。
既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。
マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
論文 参考訳（メタデータ） (2020-12-13T05:46:19Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-07-03T15:37:25Z)
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。