論文の概要: Sampling Is All You Need on Modeling Long-Term User Behaviors for CTR
Prediction
- arxiv url: http://arxiv.org/abs/2205.10249v1
- Date: Fri, 20 May 2022 15:20:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 19:25:07.155562
- Title: Sampling Is All You Need on Modeling Long-Term User Behaviors for CTR
Prediction
- Title(参考訳): ctr予測のための長期ユーザー行動のモデル化に必要なサンプリング
- Authors: Yue Cao, XiaoJiang Zhou, Jiaqi Feng, Peihao Huang, Yao Xiao, Dayao
Chen, Sheng Chen
- Abstract要約: textbfM(textbfSampling-based textbfDeep textbfModeling)を提案する。
提案手法は, 長期ユーザ行動のモデル化において, 標準的な注意モデルと同等に機能することが理論的, 実験的に示されている。
- 参考スコア(独自算出の注目度): 15.97120392599086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rich user behavior data has been proven to be of great value for
Click-Through Rate (CTR) prediction applications, especially in industrial
recommender, search, or advertising systems. However, it's non-trivial for
real-world systems to make full use of long-term user behaviors due to the
strict requirements of online serving time. Most previous works adopt the
retrieval-based strategy, where a small number of user behaviors are retrieved
first for subsequent attention. However, the retrieval-based methods are
sub-optimal and would cause more or less information losses, and it's difficult
to balance the effectiveness and efficiency of the retrieval algorithm.
In this paper, we propose \textbf{SDIM} (\textbf{S}ampling-based
\textbf{D}eep \textbf{I}nterest \textbf{M}odeling), a simple yet effective
sampling-based end-to-end approach for modeling long-term user behaviors. We
sample from multiple hash functions to generate hash signatures of the
candidate item and each item in the user behavior sequence, and obtain the user
interest by directly gathering behavior items associated with the candidate
item with the same hash signature. We show theoretically and experimentally
that the proposed method performs on par with standard attention-based models
on modeling long-term user behaviors, while being sizable times faster. We also
introduce the deployment of SDIM in our system. Specifically, we decouple the
behavior sequence hashing, which is the most time-consuming part, from the CTR
model by designing a separate module named BSE (behavior Sequence Encoding).
BSE is latency-free for the CTR server, enabling us to model extremely long
user behaviors. Both offline and online experiments are conducted to
demonstrate the effectiveness of SDIM. SDIM now has been deployed online in the
search system of Meituan APP.
- Abstract(参考訳): リッチなユーザー行動データはクリックスルー率 (ctr) 予測アプリケーション、特に産業用レコメンデーション、検索、広告システムにとって非常に有用であることが証明されている。
しかし、オンラインサービス時間の厳格な要件のため、現実世界のシステムが長期ユーザ動作をフルに活用するのは簡単なことではありません。
これまでのほとんどの研究は検索ベースの戦略を採用しており、少数のユーザー行動が最初に検索され、次に注目される。
しかし,検索手法は準最適であり,多かれ少なかれ情報損失を生じさせ,検索アルゴリズムの有効性と効率のバランスをとることは困難である。
本稿では,長期間のユーザ動作をモデル化するための,単純かつ効果的なサンプリングベースエンドツーエンドアプローチである \textbf{SDIM} (\textbf{S}ampling-based \textbf{D}eep \textbf{I}nterest \textbf{M}odeling) を提案する。
複数のハッシュ関数からサンプルを採取し、ユーザ動作シーケンス内の候補アイテムと各アイテムのハッシュシグネチャを生成し、同一のハッシュシグネチャを持つ候補アイテムに関連付けられた振る舞いアイテムを直接収集することで、ユーザ関心を得る。
提案手法は, 長期ユーザ行動のモデル化において, 従来の注目モデルと同等に動作し, より高速に動作可能であることを示す。
また,SDIMのシステムへの展開についても紹介する。
具体的には、BSE(behavior Sequence Encoding)と呼ばれる別モジュールを設計することで、CTRモデルから最も時間を要する動作シーケンスハッシュを分離する。
BSEはCTRサーバにとってレイテンシフリーであり、非常に長いユーザの振る舞いをモデル化することができます。
SDIMの有効性を示すために,オフラインおよびオンライン両方の実験を行った。
SDIMは現在、Meituan APPの検索システムにオンラインでデプロイされている。
関連論文リスト
- TWIN V2: Scaling Ultra-Long User Behavior Sequence Modeling for Enhanced CTR Prediction at Kuaishou [28.809014888174932]
SIMの強化であるTWIN-V2を導入し、ライフサイクルの振る舞いを圧縮し、より正確で多様なユーザの興味を明らかにする。
効率的なデプロイメントフレームワークの下では、TWIN-V2が主要なトラフィックにデプロイされ、Kuaishouでは毎日数億人のアクティブユーザを提供する。
論文 参考訳(メタデータ) (2024-07-23T10:00:45Z) - USE: Dynamic User Modeling with Stateful Sequence Models [26.74966828348815]
User Stateful Embedding (USE)は、徹底的な再処理を必要とせずに、ユーザ埋め込みを生成する。
我々は,次世代の予測の限界を超越するために,将来のW行動予測という新たな訓練目標を導入する。
静的(固定されたユーザ行動シーケンス)および動的(定期的に更新されたユーザ行動シーケンス)設定の両方で、Snapchatユーザーの行動ログを使用して、8つの下流タスクで実験を行う。
論文 参考訳(メタデータ) (2024-03-20T07:05:19Z) - 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) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳(メタデータ) (2022-04-02T03:23:46Z) - RETE: Retrieval-Enhanced Temporal Event Forecasting on Unified Query
Product Evolutionary Graph [18.826901341496143]
時間的イベント予測は、統合クエリ製品進化グラフにおける新しいユーザ行動予測タスクである。
本稿では,新しいイベント予測フレームワークを提案する。
既存手法とは違って,グラフ全体の大まかに連結されたエンティティを通じてユーザ表現を強化する手法を提案する。
論文 参考訳(メタデータ) (2022-02-12T19:27:56Z) - Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。
新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。
また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
論文 参考訳(メタデータ) (2022-02-01T06:52:40Z) - End-to-End User Behavior Retrieval in Click-Through RatePrediction Model [15.52581453176164]
本稿では,学習と推論のコストを大幅に削減できる ETA (Locality-sensitive hashing) 法を提案する。
GMV(Gross Merchandise Value)を2段階の長期ユーザシーケンスCTRモデルと比較して3.1%改善した。
論文 参考訳(メタデータ) (2021-08-10T06:28:29Z) - Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。
さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。
実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-31T13:56:46Z) - Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。
長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。
動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
論文 参考訳(メタデータ) (2021-02-18T11:08:54Z) - 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) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳(メタデータ) (2020-05-18T11:29:38Z)
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。