論文の概要: Deep Page-Level Interest Network in Reinforcement Learning for Ads Allocation

• arxiv url: http://arxiv.org/abs/2204.00377v1
• Date: Fri, 1 Apr 2022 11:58:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-04 14:37:18.019607
• Title: Deep Page-Level Interest Network in Reinforcement Learning for Ads Allocation
• Title（参考訳）: 広告アロケーション強化学習におけるディープページレベル関心ネットワーク
• Authors: Guogang Liao, Xiaowen Shi, Ze Wang, Xiaoxu Wu, Chuheng Zhang, Yongkang Wang, Xingxing Wang, Dong Wang
• Abstract要約: 本稿では,ページレベルのユーザ嗜好をモデル化し,複数タイプのフィードバックを活用するために,Deep Page-level Interest Network (DPIN)を提案する。 具体的には、4種類のページレベルのフィードバックを入力として導入し、異なる受容領域下でのアイテム配置のユーザの好みをキャプチャする。
• 参考スコア（独自算出の注目度）: 14.9065245548275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A mixed list of ads and organic items is usually displayed in feed and how to allocate the limited slots to maximize the overall revenue is a key problem. Meanwhile, modeling user preference with historical behavior is essential in recommendation and advertising (e.g., CTR prediction and ads allocation). Most previous works for user behavior modeling only model user's historical point-level positive feedback (i.e., click), which neglect the page-level information of feedback and other types of feedback. To this end, we propose Deep Page-level Interest Network (DPIN) to model the page-level user preference and exploit multiple types of feedback. Specifically, we introduce four different types of page-level feedback as input, and capture user preference for item arrangement under different receptive fields through the multi-channel interaction module. Through extensive offline and online experiments on Meituan food delivery platform, we demonstrate that DPIN can effectively model the page-level user preference and increase the revenue for the platform.
• Abstract（参考訳）: 広告とオーガニックアイテムの混合リストは、通常フィードに表示され、収益を最大化するために制限されたスロットを割り当てる方法が重要な問題である。 一方、過去の行動によるユーザの嗜好をモデル化することは、推奨や広告(CTR予測や広告アロケーションなど)において不可欠である。 これまでのユーザ行動モデリングでは、ページレベルのフィードバック情報を無視した履歴的なポイントレベルのポジティブなフィードバック(例えばクリック)のみをモデル化していた。 この目的のために,ページレベルのユーザ嗜好をモデル化し,複数のタイプのフィードバックを活用するために,Deep Page Level Interest Network (DPIN)を提案する。 具体的には、入力として4種類のページレベルのフィードバックを導入し、マルチチャネルインタラクションモジュールを介して、異なる受容フィールド下のアイテム配置のユーザ嗜好をキャプチャする。 Meituanのフードデリバリープラットフォームにおける大規模なオフラインおよびオンライン実験を通じて,DPINがページレベルのユーザの嗜好を効果的にモデル化し,プラットフォームに対する収益を増大させることができることを示す。

関連論文リスト

• Modeling Domain and Feedback Transitions for Cross-Domain Sequential Recommendation [60.09293734134179]
  $textTransition2$は、ドメインとユーザフィードバックのタイプの両方にわたるトランジションをモデル化する新しい方法です。 ユーザ履歴に基づいた遷移対応グラフエンコーダを導入し,フィードバックタイプに応じて異なる重みをエッジに割り当てる。 我々は、異なるタイプの遷移を識別するために、様々なマスクを組み込んで、クロストランジション・マルチヘッド・セルフアテンションを用いて、ユーザ履歴をエンコードする。
  論文  参考訳（メタデータ） (2024-08-15T15:18:55Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• An F-shape Click Model for Information Retrieval on Multi-block Mobile Pages [39.63441649184412]
  マルチブロックモバイルページ上でのユーザ動作をモデル化する新しいF字型クリックモデルを開発した。 ユーザの視線追跡調査を行い、F字型ページ上でユーザのシーケンシャルブラウジング、ブロックスキップ、比較パターンを識別する。 大規模実世界のデータセットを用いた実験により,FSCMがユーザの行動予測に与える影響が検証された。
  論文  参考訳（メタデータ） (2022-06-17T07:59:46Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Modeling Users' Contextualized Page-wise Feedback for Click-Through Rate Prediction in E-commerce Search [29.661232361168956]
  本稿では,ページワイズ製品全体を含め,コンテキスト認識型ユーザ行動モデリングの新しい視点を提案する。 ページ内コンテキスト情報とページ間関心の進化をキャプチャして、より具体的なユーザの好みを学習することができる。
  論文  参考訳（メタデータ） (2022-03-29T13:26:55Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Cross DQN: Cross Deep Q Network for Ads Allocation in Feed [11.752703912138944]
  電子商取引プラットフォームは通常、広告とオーガニックアイテムの混合リストをフィードに表示する。 そこで我々はCross Deep Q Networkを提案し,異なる項目の埋め込みを横切ることでアレンジメント信号を抽出する。 我々のモデルは、オフライン実験において最先端のベースラインよりも高い収益とユーザーエクスペリエンスをもたらす。
  論文  参考訳（メタデータ） (2021-09-09T15:44:13Z)
• Mixture of Virtual-Kernel Experts for Multi-Objective User Profile Modeling [9.639497198579257]
  ディープラーニングは、歴史的行動からユーザの好みを記述するために、表現力のあるタグをマイニングするために広く使用されている。 従来のソリューションは通常、異なるアクションからタグをマイニングするために複数の独立したTwo-Towerモデルを導入します。 本稿では,Mixture of Virtual- Kernel Experts (MVKE) と呼ばれる新しいマルチタスクモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-04T07:52:52Z)
• Modeling High-order Interactions across Multi-interests for Micro-video Reommendation [65.16624625748068]
  利用者の興味表現を高めるためのセルフオーバーCoアテンションモジュールを提案します。 特に、まず相関パターンを異なるレベルでモデル化し、次に自己注意を使って特定のレベルで相関パターンをモデル化します。
  論文  参考訳（メタデータ） (2021-04-01T07:20:15Z)
• Multi-Channel Sequential Behavior Networks for User Modeling in Online Advertising [4.964012641964141]
  本稿では,ユーザと広告を意味空間に埋め込むための深層学習手法であるマルチチャネルシーケンシャル行動ネットワーク(mc-sbn)を提案する。 提案するユーザエンコーダアーキテクチャでは,過去の検索クエリや訪問ページ,クリックした広告など,複数の入力チャネルからのユーザアクティビティをユーザベクトルにまとめる。 その結果,MC-SBNは関連広告のランク付けを改善し,クリック予測とコンバージョン予測の両方の性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-12-27T06:13:29Z)

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。