論文の概要: An F-shape Click Model for Information Retrieval on Multi-block Mobile Pages

• arxiv url: http://arxiv.org/abs/2206.08604v1
• Date: Fri, 17 Jun 2022 07:59:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-20 15:19:02.526991
• Title: An F-shape Click Model for Information Retrieval on Multi-block Mobile Pages
• Title（参考訳）: マルチブロックモバイルページにおける情報検索のためのF字クリックモデル
• Authors: Lingyue Fu, Jianghao Lin, Weiwen Liu, Ruiming Tang, Weinan Zhang, Rui Zhang, Yong Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.63441649184412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To provide click simulation or relevance estimation based on users' implicit interaction feedback, click models have been much studied during recent years. Most click models focus on user behaviors towards a single list. However, with the development of user interface (UI) design, the layout of displayed items on a result page tends to be multi-block (i.e., multi-list) style instead of a single list, which requires different assumptions to model user behaviors more accurately. There exist click models for multi-block pages in desktop contexts, but they cannot be directly applied to mobile scenarios due to different interaction manners, result types and especially multi-block presentation styles. In particular, multi-block mobile pages can normally be decomposed into interleavings of basic vertical blocks and horizontal blocks, thus resulting in typically F-shape forms. To mitigate gaps between desktop and mobile contexts for multi-block pages, we conduct a user eye-tracking study, and identify users' sequential browsing, block skip and comparison patterns on F-shape pages. These findings lead to the design of a novel F-shape Click Model (FSCM), which serves as a general solution to multi-block mobile pages. Firstly, we construct a directed acyclic graph (DAG) for each page, where each item is regarded as a vertex and each edge indicates the user's possible examination flow. Secondly, we propose DAG-structured GRUs and a comparison module to model users' sequential (sequential browsing, block skip) and non-sequential (comparison) behaviors respectively. Finally, we combine GRU states and comparison patterns to perform user click predictions. Experiments on a large-scale real-world dataset validate the effectiveness of FSCM on user behavior predictions compared with baseline models.
• Abstract（参考訳）: ユーザの暗黙のインタラクションフィードバックに基づくクリックシミュレーションや関連性評価を実現するため,近年,クリックモデルの研究が盛んに行われている。 ほとんどのクリックモデルは、単一のリストに対するユーザーの振る舞いに焦点を当てている。 しかし、ui(user interface)デザインの開発により、結果ページの表示項目のレイアウトは単一のリストではなくマルチブロック(すなわちマルチリスト)スタイルになりがちで、ユーザーの振る舞いをより正確にモデル化するには異なる仮定が必要となる。 デスクトップ環境ではマルチブロックページのクリックモデルが存在するが、インタラクションの方法や結果タイプ、特にマルチブロックのプレゼンテーションスタイルによって、モバイルシナリオに直接適用することはできない。 特に、マルチブロックモバイルページは、通常、基本的な垂直ブロックと水平ブロックのインターリーブに分解できるため、通常、f字形になる。 マルチブロックページにおけるデスクトップとモバイルのコンテキスト間のギャップを軽減するため,ユーザの視線追跡調査を行い,F-シェープページ上の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。 これらの結果から,F字型クリックモデル (FSCM) が考案され,マルチブロックモバイルページの一般的なソリューションとなった。 まず,各ページに対して有向非巡回グラフ(DAG)を構築し,各項目を頂点とみなし,各エッジがユーザの可能な検査フローを示す。 次に,dag構造化grusと比較モジュールを提案し,ユーザのシーケンシャル(シーケンシャルブラウジング,ブロックスキップ)と非シーケンシャル(比較)動作をそれぞれモデル化する。 最後に、ユーザクリック予測を行うために、GRU状態と比較パターンを組み合わせる。 大規模実世界のデータセットを用いた実験により,FSCMがユーザ行動予測に与える影響をベースラインモデルと比較した。

関連論文リスト

• Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation [25.516648802281626]
  逐次レコメンデーションのためのFAME(Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation)という新しい構造を提案する。 最後のマルチヘッドアテンション層における各頭部からのサブ埋め込みを活用して,次の項目を別々に予測する。 ゲーティングメカニズムは、各ヘッドからのレコメンデーションを統合し、それらの重要性を動的に決定する。
  論文  参考訳（メタデータ） (2024-11-03T06:47:45Z)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• Deep Page-Level Interest Network in Reinforcement Learning for Ads Allocation [14.9065245548275]
  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。
  論文  参考訳（メタデータ） (2022-04-01T11:58:00Z)
• Multi-view Multi-behavior Contrastive Learning in Recommendation [52.42597422620091]
  マルチビヘイビアレコメンデーション(MBR)は、目標行動のパフォーマンスを改善するために、複数の振る舞いを共同で検討することを目的としている。 本稿では,新しいマルチビヘイビア・マルチビュー・コントラスト学習勧告フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-20T15:13:28Z)
• Contrastive Meta Learning with Behavior Multiplicity for Recommendation [42.15990960863924]
  優れたインフォームドレコメンデーションフレームワークは、ユーザが関心のあるアイテムを識別するだけでなく、さまざまなオンラインプラットフォームの収益にも貢献できる。 本稿では,コントラストメタラーニング(Contrastive Meta Learning, CML)を提案する。 提案手法は,様々な最先端のレコメンデーション手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-02-17T08:51:24Z)
• User-click Modelling for Predicting Purchase Intent [0.0]
  この論文は、ユーザの振る舞いをモデル化するオープンな数学的問題に対する構造化された調査に寄与する。 企業がWebサイトとのユーザインタラクションを理解することは、消費者の振る舞いに関するリッチで個人化された洞察を提供するため、価値がある。
  論文  参考訳（メタデータ） (2021-12-03T16:37:48Z)
• 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)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)

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。