論文の概要: Rethinking Position Bias Modeling with Knowledge Distillation for CTR Prediction

• arxiv url: http://arxiv.org/abs/2204.00270v1
• Date: Fri, 1 Apr 2022 07:58:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-04 13:49:59.755401
• Title: Rethinking Position Bias Modeling with Knowledge Distillation for CTR Prediction
• Title（参考訳）: CTR予測のための知識蒸留を用いた位置バイアスモデリングの再考
• Authors: Congcong Liu, Yuejiang Li, Jian Zhu, Xiwei Zhao, Changping Peng, Zhangang Lin, Jingping Shao
• Abstract要約: 本研究では,位置バイアスの影響を緩和し,位置情報を活用してCTR予測を改善する知識蒸留フレームワークを提案する。 提案手法は現実世界のオンライン広告システムに展開され、世界最大の電子商取引プラットフォームの1つで主要なトラフィックを提供する。
• 参考スコア（独自算出の注目度）: 8.414183573280779
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Click-through rate (CTR) Prediction is of great importance in real-world online ads systems. One challenge for the CTR prediction task is to capture the real interest of users from their clicked items, which is inherently biased by presented positions of items, i.e., more front positions tend to obtain higher CTR values. A popular line of existing works focuses on explicitly estimating position bias by result randomization which is expensive and inefficient, or by inverse propensity weighting (IPW) which relies heavily on the quality of the propensity estimation. Another common solution is modeling position as features during offline training and simply adopting fixed value or dropout tricks when serving. However, training-inference inconsistency can lead to sub-optimal performance. Furthermore, post-click information such as position values is informative while less exploited in CTR prediction. This work proposes a simple yet efficient knowledge distillation framework to alleviate the impact of position bias and leverage position information to improve CTR prediction. We demonstrate the performance of our proposed method on a real-world production dataset and online A/B tests, achieving significant improvements over competing baseline models. The proposed method has been deployed in the real world online ads systems, serving main traffic on one of the world's largest e-commercial platforms.
• Abstract（参考訳）: クリックスルーレート(CTR)予測は、現実世界のオンライン広告システムにおいて非常に重要である。 CTR予測タスクの課題の1つは、クリックしたアイテムからユーザの本当の関心を捉えることである。 既存の研究の一般的な行は、コストが高く非効率な結果のランダム化による位置バイアスの明示的に推定すること、あるいは確率推定の品質に大きく依存する逆確率重み付け(IPW)に焦点を当てている。 もうひとつの一般的な解決策は、オフライントレーニング中の機能としての位置をモデリングすることと、サービス時に固定値やドロップアウトのトリックを採用することだ。 しかし、トレーニング推論の不整合は、準最適性能をもたらす可能性がある。 さらに、CTR予測において、位置値などのポストクリック情報はあまり活用されないが、情報的である。 本研究は,位置バイアスの影響を緩和し,位置情報を活用してCTR予測を改善するための,シンプルで効率的な知識蒸留フレームワークを提案する。 提案手法を実世界の実運用データセットとオンラインA/Bテストで実演し、競合するベースラインモデルよりも大幅に改善した。 提案手法は現実世界のオンライン広告システムに展開され、世界最大の電子商取引プラットフォームの1つで主要なトラフィックを提供する。

関連論文リスト

• Helen: Optimizing CTR Prediction Models with Frequency-wise Hessian Eigenvalue Regularization [22.964109377128523]
  CTR(Click-Through Rate)予測は、オンライン広告とレコメンデーションシナリオにおいて最も重要である。 近年のCTR予測モデルの普及にもかかわらず、性能の改善は限られている。
  論文  参考訳（メタデータ） (2024-02-23T15:00:46Z)
• Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages [55.04219793298687]
  本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。 特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
  論文  参考訳（メタデータ） (2024-02-07T20:53:53Z)
• Click-Conversion Multi-Task Model with Position Bias Mitigation for Sponsored Search in eCommerce [51.211924408864355]
  位置認識型クリック変換(PACC)と位置埋め込み(PACC-PE)によるPACCの2つの位置バイアスのない予測モデルを提案する。 Eコマースが支援する製品検索データセットの実験により、提案したモデルではランキングの有効性が向上し、CTRとCVRの予測における位置バイアスを大幅に軽減できることが示された。
  論文  参考訳（メタデータ） (2023-07-29T19:41:16Z)
• Confidence Ranking for CTR Prediction [11.071444869776725]
  本稿では,最適化目標をランキング関数として設計する,信頼ランキングという新しいフレームワークを提案する。 本実験により、信頼度ランキング損失の導入は、公共および産業データセットのCTR予測タスクにおいて、すべてのベースラインを上回り得ることが示された。 このフレームワークは、JD.comの広告システムに展開され、ファインランクの段階で主要なトラフィックをサービスしている。
  論文  参考訳（メタデータ） (2023-06-28T07:31:00Z)
• DELTA: Dynamic Embedding Learning with Truncated Conscious Attention for CTR Prediction [61.68415731896613]
  CTR(Click-Through Rate)予測は、製品とコンテンツの推奨において重要なタスクである。 本稿では,CTR予測のための動的埋め込み学習を実現するモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-03T12:34:45Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Continual Learning for CTR Prediction: A Hybrid Approach [37.668467137218286]
  CTR予測のためのハイブリッドなContinual Learning FrameworkであるCOLFを提案する。 COLFはメモリベースのモジュールアーキテクチャを持ち、継続的な適応、学習、予測を行うように設計されている。 中国の大手ショッピングアプリから収集したクリックログに関する実証的評価は,既存の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-18T11:30:57Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• 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)

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。