論文の概要: Deep Interest Highlight Network for Click-Through Rate Prediction in Trigger-Induced Recommendation

• arxiv url: http://arxiv.org/abs/2202.08959v2
• Date: Mon, 21 Feb 2022 02:50:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-27 17:36:23.023098
• Title: Deep Interest Highlight Network for Click-Through Rate Prediction in Trigger-Induced Recommendation
• Title（参考訳）: トリガーリコメンデーションにおけるクリックスルーレート予測のための深層関心ハイライトネットワーク
• Authors: Qijie Shen, Hong Wen, Wanjie Tao, Jing Zhang, Fuyu Lv, Zulong Chen, Zhao Li
• Abstract要約: 本稿では,トリガー誘導レコメンデーション(TIR, Trigger-induced Recommendation)という新たなレコメンデーション問題を提案する。 そこで本研究では,クリックスルーレート(CTR)予測のための,DIHN(Deep Interest Highlight Network)と呼ばれる新しい推奨手法を提案する。 1)ユーザインテントネットワーク(UIN)、2)トリガーアイテムに対するユーザの意図を正確に予測するための正確な確率スコアを生成する、2)統合埋め込みモジュール(FEM)、そして、UINからの予測に基づいてトリガーアイテムとターゲットアイテムの埋め込みを適応的に融合する、3)。
• 参考スコア（独自算出の注目度）: 15.490873353133363
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In many classical e-commerce platforms, personalized recommendation has been proven to be of great business value, which can improve user satisfaction and increase the revenue of platforms. In this paper, we present a new recommendation problem, Trigger-Induced Recommendation (TIR), where users' instant interest can be explicitly induced with a trigger item and follow-up related target items are recommended accordingly. TIR has become ubiquitous and popular in e-commerce platforms. In this paper, we figure out that although existing recommendation models are effective in traditional recommendation scenarios by mining users' interests based on their massive historical behaviors, they are struggling in discovering users' instant interests in the TIR scenario due to the discrepancy between these scenarios, resulting in inferior performance. To tackle the problem, we propose a novel recommendation method named Deep Interest Highlight Network (DIHN) for Click-Through Rate (CTR) prediction in TIR scenarios. It has three main components including 1) User Intent Network (UIN), which responds to generate a precise probability score to predict user's intent on the trigger item; 2) Fusion Embedding Module (FEM), which adaptively fuses trigger item and target item embeddings based on the prediction from UIN; and (3) Hybrid Interest Extracting Module (HIEM), which can effectively highlight users' instant interest from their behaviors based on the result of FEM. Extensive offline and online evaluations on a real-world e-commerce platform demonstrate the superiority of DIHN over state-of-the-art methods.
• Abstract（参考訳）: 多くの古典的なeコマースプラットフォームでは、パーソナライズドレコメンデーションが大きなビジネス価値を持つことが証明されており、ユーザの満足度を高め、プラットフォームの売上を増やすことができる。 本稿では,トリガ項目でユーザの即時関心を明示的に引き起こし,それに応じてフォローアップ関連対象項目を推薦する新たなレコメンデーション問題であるトリガ誘発レコメンデーション(tir)を提案する。 TIRは、電子商取引プラットフォームで広く普及している。 本稿では,従来のレコメンデーションモデルにおいて,利用者の膨大な履歴行動に基づいて利用者の興味を掘り下げることによって,従来のレコメンデーションシナリオに有効であるが,これらのシナリオの相違により,利用者のTIRシナリオに対する興味の即時発見に苦慮していることが明らかとなった。 この問題に対処するため,TIRシナリオにおけるClick-Through Rate (CTR) 予測のための,Deep Interest Highlight Network (DIHN) という新しいレコメンデーション手法を提案する。 主な構成要素は3つあります 1) ユーザインテントネットワーク(UIN)は,トリガー項目に対するユーザの意図を予測するために,正確な確率スコアを生成する。 2)UINの予測に基づいてトリガ項目とターゲット項目の埋め込みを適応的に融合させるFusion Embedding Module (FEM) と,FEMの結果に基づいてユーザの行動からユーザの興味を効果的に強調するHybrid Interest Extracting Module (HIEM) とを併用する。 実世界のeコマースプラットフォーム上での大規模なオフラインおよびオンライン評価は、最先端の手法よりもDIHNの方が優れていることを示している。

関連論文リスト

• Review-driven Personalized Preference Reasoning with Large Language Models for Recommendation [21.769969074938142]
  EXP3RTは、ユーザとアイテムレビューに含まれるリッチな好み情報を活用するために設計された、LLMベースの新しいレコメンデータである。 詳細なステップバイステップの推論と予測された評価を生成する。 実験の結果、EXP3RTは評価予測と候補項目の双方において、トップkレコメンデーションにおいて既存の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-08-12T16:39:03Z)
• Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation [28.29435760797856]
  本稿では,TIRシナリオにおけるクリックスルーレート予測のための新しい手法であるDeep Evolutional Instant Interest Network (DEI2N)を提案する。 我々は,ユーザがスクロールダウンした場合の瞬間的関心の強度の動的変化を予測するために,ユーザインスタント・関心モデリング・レイヤを設計する。 オフラインおよび実世界の産業データセットを用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-15T15:27:24Z)
• Influential Recommender System [12.765277278599541]
  Influential Recommender System (IRS) は,ユーザが対象アイテムを好むように積極的に導くことを目的とした,新しいレコメンデーションパラダイムである。 IRSは、ユーザに慎重に選択された項目(影響経路と呼ばれる)のシーケンスを徐々に推奨する。 IRNはベースラインレコメンデータよりも優れており,ユーザの興味に影響を及ぼす能力を示している。
  論文  参考訳（メタデータ） (2022-11-18T03:04:45Z)
• Deep Intention-Aware Network for Click-Through Rate Prediction [9.00554150844311]
  エンターテイメントアイコンに表示されるトリガーアイテムは、より多くのエンターテイメントを引き付けることができる。 従来のClick-Through-Rate(CTR)予測モデルは、トリガーアイテムに対するユーザの即時関心を無視している。 Deep Intention-Aware Network (DIAN)は、ユーザの意図を正確に予測し、結果を動的にバランスさせる。
  論文  参考訳（メタデータ） (2022-11-16T03:55:18Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• 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)
• The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation [4.578469978594752]
  本稿では, (i) アクティブユーザの不公平さ, (ii) 人気項目の不公平さ, (iii) 調査三角形の3つの角度として推薦の精度について検討する。 アイテムフェアネスでは、アイテムをショートヘッド、ミッドテール、ロングテールグループに分割し、これらのアイテムグループの露出をユーザのトップkレコメンデーションリストにまとめる。 本研究は, 消費者と生産者の公正性を両立させることができず, 自然バイアスが原因と考えられる変数間のトレードオフが示唆されている。
  論文  参考訳（メタデータ） (2022-02-27T08:02:19Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
  改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-11-25T02:18:33Z)

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。