論文の概要: Click-Through Rate Prediction in Online Advertising: A Literature Review
- arxiv url: http://arxiv.org/abs/2202.10462v1
- Date: Tue, 22 Feb 2022 01:05:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 15:47:23.364367
- Title: Click-Through Rate Prediction in Online Advertising: A Literature Review
- Title（参考訳）: オンライン広告におけるクリックスルーレート予測:文献レビュー
- Authors: Yanwu Yang and Panyu Zhai
- Abstract要約: 我々は,最新のCTR予測研究について,系統的な文献レビューを行っている。
現代文献における最先端CTR予測モデルの分類について述べる。
我々は、現在の研究動向、主な課題、今後の今後の展望を、さらなる探査にふさわしいものとみなす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Predicting the probability that a user will click on a specific advertisement
has been a prevalent issue in online advertising, attracting much research
attention in the past decades. As a hot research frontier driven by industrial
needs, recent years have witnessed more and more novel learning models employed
to improve advertising CTR prediction. Although extant research provides
necessary details on algorithmic design for addressing a variety of specific
problems in advertising CTR prediction, the methodological evolution and
connections between modeling frameworks are precluded. However, to the best of
our knowledge, there are few comprehensive surveys on this topic. We make a
systematic literature review on state-of-the-art and latest CTR prediction
research, with a special focus on modeling frameworks. Specifically, we give a
classification of state-of-the-art CTR prediction models in the extant
literature, within which basic modeling frameworks and their extensions,
advantages and disadvantages, and performance assessment for CTR prediction are
presented. Moreover, we summarize CTR prediction models with respect to the
complexity and the order of feature interactions, and performance comparisons
on various datasets. Furthermore, we identify current research trends, main
challenges and potential future directions worthy of further explorations. This
review is expected to provide fundamental knowledge and efficient entry points
for IS and marketing scholars who want to engage in this area.
- Abstract（参考訳）: ユーザーが特定の広告をクリックする確率を予測することは、オンライン広告において一般的な問題であり、過去数十年で多くの研究が注目されている。
産業ニーズに駆り立てられた熱い研究のフロンティアとして、近年は広告CTR予測を改善するために使われる新しい学習モデルが増えている。
CTR予測の広告における様々な特定の問題に対処するアルゴリズム設計について、既存の研究は必要な詳細を提供しているが、方法論的進化とモデリングフレームワーク間の関係は無視されている。
しかしながら、私たちの知る限りでは、このトピックに関する包括的な調査はほとんどありません。
我々は、モデリングフレームワークに特化して、最先端および最新のCTR予測研究に関する体系的な文献レビューを行う。
具体的には,最新のCTR予測モデルについて,基本的なモデリングフレームワークとその拡張,アドバンテージとデメリット,CTR予測の性能評価を提示する。
さらに,CTR予測モデルの複雑さと特徴相互作用の順序,および各種データセットの性能比較について要約した。
さらに,今後の研究動向,主な課題,今後の展望について検討する。
このレビューは、この分野に関わりたいisおよびマーケティング学者に、基本的な知識と効率的なエントリポイントを提供することが期待されている。
関連論文リスト
- An accuracy improving method for advertising click through rate prediction based on enhanced xDeepFM model [0.0]
本稿では,xDeepFMアーキテクチャに基づく改良型CTR予測モデルを提案する。
マルチヘッド・アテンション・メカニズムを統合することで、モデルは機能相互作用の異なる側面に同時に焦点を合わせることができる。
Criteoデータセットの実験結果は、提案モデルが他の最先端手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-11-21T03:21:29Z) - A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。
ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。
当社のフレームワークは,Metaの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基づいて検証する。
論文 参考訳（メタデータ） (2024-11-20T20:38:56Z) - Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。
本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
論文 参考訳（メタデータ） (2024-01-29T18:27:52Z) - A Survey on Service Route and Time Prediction in Instant Delivery:
Taxonomy, Progress, and Prospects [58.746820564288846]
Route&Time Prediction (RTP) は、労働者の到着時間だけでなく、将来のサービス経路を推定することを目的としている。
これまで多くのアルゴリズムが開発されてきたが、この領域の研究者を導くための体系的で包括的な調査は行われていない。
提案手法は,2つの基準に基づいて分類される: (i) タスクのタイプ, (i) 時間のみの予測, (ii) シーケンスベースモデルとグラフベースモデルを含むモデルアーキテクチャ, (iii) 教師付き学習(SL) とDeep Reinforcementを含む学習パラダイム。
論文 参考訳（メタデータ） (2023-09-03T14:43:33Z) - Mapping Computer Science Research: Trends, Influences, and Predictions [0.0]
我々は、トレンド研究領域を予測するために、決定木やロジスティック回帰モデルを含む高度な機械学習技術を採用している。
分析の結果,研究論文(参照数)に引用される参考資料の数は,トレンド研究領域を決定する上で重要な役割を担っていることが明らかとなった。
ロジスティック回帰モデルは、傾向を予測するために決定木モデルより優れ、高い精度、精度、リコール、F1スコアを示す。
論文 参考訳（メタデータ） (2023-08-01T16:59:25Z) - Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph [52.07771598974385]
既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
論文 参考訳（メタデータ） (2022-10-02T07:43:26Z) - Image-text Retrieval: A Survey on Recent Research and Development [58.060687870247996]
クロスモーダル画像テキスト検索(ITR)は、優れた研究価値と幅広い実世界の応用により、研究コミュニティへの関心が高まっている。
本稿では,ITRのアプローチに関する4つの視点から,包括的かつ最新の調査を行う。
論文 参考訳（メタデータ） (2022-03-28T13:00:01Z) - Looking at CTR Prediction Again: Is Attention All You Need? [4.873362301533825]
クリックスルー率(CTR)予測は、ウェブ検索、レコメンデーションシステム、オンライン広告表示における重要な問題です。
経済学において離散選択モデルを用いてCTR予測問題を再定義し,自己認識機構に基づく汎用ニューラルネットワークフレームワークを提案する。
既存のCTR予測モデルのほとんどは、提案された一般的なフレームワークと一致することが判明した。
論文 参考訳（メタデータ） (2021-05-12T10:27:14Z) - Efficient Click-Through Rate Prediction for Developing Countries via
Tabular Learning [2.916402752324148]
CTR(Click-Through Rate)予測モデルは,限られた計算資源のため,展開が困難である。
本稿では,表型学習モデルがCTR予測においてより効率的かつ有効であることを示す。
論文 参考訳（メタデータ） (2021-04-15T16:07:25Z) - Forethought and Hindsight in Credit Assignment [62.05690959741223]
我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。
本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
論文 参考訳（メタデータ） (2020-10-26T16:00:47Z) - BARS-CTR: Open Benchmarking for Click-Through Rate Prediction [30.000261789268063]
クリックスルー率(CTR)予測は多くのアプリケーションにとって重要なタスクである。
近年、CTR予測は学術と産業の両方で広く研究されている。
CTR予測研究には、標準化されたベンチマークと一様評価プロトコルがまだ欠けている。
論文 参考訳（メタデータ） (2020-09-12T13:34:22Z)
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。