論文の概要: Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction
- arxiv url: http://arxiv.org/abs/2206.14647v1
- Date: Tue, 28 Jun 2022 03:28:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-02 16:29:16.641829
- Title: Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction
- Title(参考訳): メタラッパー: CTR予測におけるユーザ興味選択のための微分可能なラッピング演算子
- Authors: Tianwei Cao, Qianqian Xu, Zhiyong Yang, and Qingming Huang
- Abstract要約: クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
- 参考スコア(独自算出の注目度): 97.99938802797377
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Click-through rate (CTR) prediction, whose goal is to predict the probability
of the user to click on an item, has become increasingly significant in the
recommender systems. Recently, some deep learning models with the ability to
automatically extract the user interest from his/her behaviors have achieved
great success. In these work, the attention mechanism is used to select the
user interested items in historical behaviors, improving the performance of the
CTR predictor. Normally, these attentive modules can be jointly trained with
the base predictor by using gradient descents. In this paper, we regard user
interest modeling as a feature selection problem, which we call user interest
selection. For such a problem, we propose a novel approach under the framework
of the wrapper method, which is named Meta-Wrapper. More specifically, we use a
differentiable module as our wrapping operator and then recast its learning
problem as a continuous bilevel optimization. Moreover, we use a meta-learning
algorithm to solve the optimization and theoretically prove its convergence.
Meanwhile, we also provide theoretical analysis to show that our proposed
method 1) efficiencies the wrapper-based feature selection, and 2) achieves
better resistance to overfitting. Finally, extensive experiments on three
public datasets manifest the superiority of our method in boosting the
performance of CTR prediction.
- Abstract(参考訳): クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、推薦システムではますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
本研究では, ctr予測器の性能向上を目的として, ユーザの過去の行動に対する関心項目の選択に注意機構を用いる。
通常、これらの注意モジュールは勾配降下を用いてベース予測器と共同で訓練することができる。
本稿では,ユーザの興味のモデリングを特徴選択問題として捉え,ユーザの関心の選択と呼ぶ。
このような問題に対して,ラッパー法(meta-wrapper)の枠組みに基づく新しいアプローチを提案する。
より具体的には、ラッピング演算子として微分可能なモジュールを使用し、学習問題を連続的な2レベル最適化として再キャストします。
さらに,メタ学習アルゴリズムを用いて最適化を解き,その収束を理論的に証明する。
一方,提案手法の理論的解析も提案する。
1)ラッパーに基づく特徴選択の効率性,及び
2) オーバーフィッティングに対する抵抗性が向上する。
最後に,3つの公開データセットに対する広範な実験により,CTR予測の性能向上に本手法の優位性が示された。
関連論文リスト
- Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。
近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。
マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
論文 参考訳(メタデータ) (2024-11-22T15:29:05Z) - Incorporating Group Prior into Variational Inference for Tail-User Behavior Modeling in CTR Prediction [8.213386595519928]
我々は,新しい変分推論手法,すなわちグループ事前サンプリング変分推論(GPSVI)を提案する。
GPSVIは、グループ嗜好を先行として導入し、末尾ユーザーのための潜伏したユーザー関心を洗練させる。
厳密な分析と広範な実験により、GPSVIはテールユーザーの性能を一貫して改善することを示した。
論文 参考訳(メタデータ) (2024-10-19T13:15:36Z) - Sample Complexity of Preference-Based Nonparametric Off-Policy
Evaluation with Deep Networks [58.469818546042696]
我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。
ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
論文 参考訳(メタデータ) (2023-10-16T16:27:06Z) - RESUS: Warm-Up Cold Users via Meta-Learning Residual User Preferences in
CTR Prediction [14.807495564177252]
コールドユーザーに対するCTR(Click-Through Rate)予測は、レコメンデーションシステムにおいて難しい課題である。
本稿では,グローバルな嗜好知識の学習を,個々のユーザの残留嗜好の学習から切り離す,RESUSという新しい,効率的なアプローチを提案する。
本手法は, コールドユーザに対するCTR予測精度の向上に有効であり, 各種最先端手法と比較して有効である。
論文 参考訳(メタデータ) (2022-10-28T11:57:58Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - A High-Performance Customer Churn Prediction System based on
Self-Attention [9.83578821760002]
本研究は,商業銀行顧客に関する公開データセットの実験を行う。
本稿では,自己注意強化型ニューラルネットワーク(HNNSAE)を提案する。
論文 参考訳(メタデータ) (2022-06-03T12:16:24Z) - Memorize, Factorize, or be Na\"ive: Learning Optimal Feature Interaction
Methods for CTR Prediction [29.343267933348372]
本稿では,各機能間相互作用に最も適したモデリング手法を求めるOPtInterというフレームワークを提案する。
実験の結果,OptInterは最先端のベースライン深部CTRモデルを最大2.21%改善することがわかった。
論文 参考訳(メタデータ) (2021-08-03T03:03:34Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳(メタデータ) (2021-03-22T20:36:34Z) - Towards Open-World Recommendation: An Inductive Model-based
Collaborative Filtering Approach [115.76667128325361]
推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。
2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。
本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
論文 参考訳(メタデータ) (2020-07-09T14:31:25Z) - Outlier Detection Ensemble with Embedded Feature Selection [42.8338013000469]
組込み特徴選択(ODEFS)を用いた外乱検出アンサンブルフレームワークを提案する。
各ランダムなサブサンプリングベースの学習コンポーネントに対して、ODEFSは、特徴選択と外れ値検出をペアのランキング式に統一する。
我々は、特徴選択と例選択を同時に最適化するために閾値付き自己評価学習を採用する。
論文 参考訳(メタデータ) (2020-01-15T13:14:10Z)
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。