論文の概要: Dynamic collaborative filtering Thompson Sampling for cross-domain
advertisements recommendation
- arxiv url: http://arxiv.org/abs/2208.11926v1
- Date: Thu, 25 Aug 2022 08:13:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-26 13:40:38.407031
- Title: Dynamic collaborative filtering Thompson Sampling for cross-domain
advertisements recommendation
- Title(参考訳): クロスドメイン広告推薦のための動的協調フィルタリングトンプソンサンプリング
- Authors: Shion Ishikawa, Young-joo Chung, Yu Hirate
- Abstract要約: バンドモデル間で知識を伝達するための動的協調フィルタリングトンプソンサンプリング(DCTS)を提案する。
DCTSはユーザと広告間の類似性を利用して、トンプソンサンプリングの事前分布を推定する。
我々はDCTSが最先端のモデルよりもクリックスルー率を9.7%向上することを示した。
- 参考スコア(独自算出の注目度): 1.6859861406758752
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Recently online advertisers utilize Recommender systems (RSs) for display
advertising to improve users' engagement. The contextual bandit model is a
widely used RS to exploit and explore users' engagement and maximize the
long-term rewards such as clicks or conversions. However, the current models
aim to optimize a set of ads only in a specific domain and do not share
information with other models in multiple domains. In this paper, we propose
dynamic collaborative filtering Thompson Sampling (DCTS), the novel yet simple
model to transfer knowledge among multiple bandit models. DCTS exploits
similarities between users and between ads to estimate a prior distribution of
Thompson sampling. Such similarities are obtained based on contextual features
of users and ads. Similarities enable models in a domain that didn't have much
data to converge more quickly by transferring knowledge. Moreover, DCTS
incorporates temporal dynamics of users to track the user's recent change of
preference. We first show transferring knowledge and incorporating temporal
dynamics improve the performance of the baseline models on a synthetic dataset.
Then we conduct an empirical analysis on a real-world dataset and the result
showed that DCTS improves click-through rate by 9.7% than the state-of-the-art
models. We also analyze hyper-parameters that adjust temporal dynamics and
similarities and show the best parameter which maximizes CTR.
- Abstract(参考訳): 近年,オンライン広告主はディスプレイ広告にレコメンダーシステム(RS)を活用し,ユーザのエンゲージメントを向上させる。
コンテキストバンディットモデルは、ユーザーのエンゲージメントを活用し、クリックや変換のような長期的な報酬を最大化するために広く使われているrsである。
しかし、現在のモデルは、特定のドメインでのみ広告を最適化し、複数のドメインで他のモデルと情報を共有することを目的としている。
本稿では,複数のバンディットモデル間で知識を伝達する新しい簡易モデルである動的協調フィルタリングトンプソンサンプリング(dcts)を提案する。
DCTSはユーザと広告間の類似性を利用して、トンプソンサンプリングの事前分布を推定する。
このような類似性は、ユーザと広告のコンテキスト的特徴に基づいて得られる。
類似性により、知識を転送することで、あまりデータを持っていないドメインのモデルをより迅速に収束させることができる。
さらに、DCTSはユーザの最近の好みの変化を追跡するために、ユーザの時間的ダイナミクスを取り入れている。
まず,伝達知識を示し,時間的ダイナミクスを取り入れることで,合成データセット上でのベースラインモデルの性能を向上させる。
次に,実世界のデータセットについて実証分析を行い,dctsが最先端モデルよりもクリックスルー率を9.7%向上させることを示した。
また,時間ダイナミクスと類似度を調整するハイパーパラメータを分析し,ctrを最大化する最善のパラメータを示す。
関連論文リスト
- Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。
目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。
DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
論文 参考訳(メタデータ) (2024-08-14T11:29:47Z) - Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。
本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-05T09:19:54Z) - A Comparative Study on Enhancing Prediction in Social Network Advertisement through Data Augmentation [0.6707149143800017]
本研究では,ソーシャルネットワーク広告データの生成的拡張フレームワークを提示し,検討する。
データ拡張のための3つの生成モデル - GAN(Generative Adversarial Networks)、VAE(variantal Autoencoders)、Gaussian Mixture Models(GMM) - を探索する。
論文 参考訳(メタデータ) (2024-04-22T01:16:11Z) - Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳(メタデータ) (2023-12-07T18:53:27Z) - ContentCTR: Frame-level Live Streaming Click-Through Rate Prediction
with Multimodal Transformer [31.10377461705053]
フレームレベルのCTR予測にマルチモーダルトランスを用いたContentCTRモデルを提案する。
実世界のシナリオと公開データセットの両方で広範な実験を行い、ContentCTRモデルは、リアルタイムのコンテンツ変更をキャプチャする従来のレコメンデーションモデルよりも優れています。
論文 参考訳(メタデータ) (2023-06-26T03:04:53Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳(メタデータ) (2023-03-28T00:23:23Z) - Dynamic Parameterized Network for CTR Prediction [6.749659219776502]
我々は、明示的かつ暗黙的な相互作用をインスタンスワイズで学習するために、新しいプラグイン操作であるDynamic ized Operation (DPO)を提案した。
DNNモジュールとアテンションモジュールへのDPOの導入は,クリックスルー率(CTR)予測においてそれぞれ2つの主要なタスクに有効であることを示した。
我々のDynamic ized Networksは、パブリックデータセットと実世界のプロダクションデータセットのオフライン実験において、最先端の手法を著しく上回る。
論文 参考訳(メタデータ) (2021-11-09T08:15:03Z) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳(メタデータ) (2021-09-24T07:44:27Z) - Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate
Prediction [76.98616102965023]
クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。
本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
論文 参考訳(メタデータ) (2021-06-05T01:21:21Z) - Interpretable Deep Learning Model for Online Multi-touch Attribution [14.62385029537631]
本稿では,深層学習モデルとオンラインマルチタッチ属性の解釈のための付加的特徴説明モデルを組み合わせたDeepMTAという新しいモデルを提案する。
MTAの最初の解釈可能なディープラーニングモデルとして、DeepMTAは、顧客ジャーニーにおける3つの重要な特徴について検討している。
実データセットの評価は、提案した変換予測モデルが91%の精度を達成することを示している。
論文 参考訳(メタデータ) (2020-03-26T23:21:40Z) - Deep Time-Stream Framework for Click-Through Rate Prediction by Tracking
Interest Evolution [33.090918958117946]
我々は,CTRモデルにおけるユーザ関心傾向を,豊富な歴史的行動から追跡するために,継続時間情報を検討する必要があると論じている。
通常の微分方程式(ODE)による時間情報を提供する新しい時間ストリームフレームワーク(DTS)を提案する。
DTSは、ニューラルネットワークを使用して関心の進化を継続的にモデル化し、ユーザの関心を動的に表現する課題に取り組むことができる。
論文 参考訳(メタデータ) (2020-01-08T10:33:23Z)
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。