論文の概要: Deep Intention-Aware Network for Click-Through Rate Prediction
- arxiv url: http://arxiv.org/abs/2211.08650v1
- Date: Wed, 16 Nov 2022 03:55:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 15:57:51.765480
- Title: Deep Intention-Aware Network for Click-Through Rate Prediction
- Title（参考訳）: クリックスルー率予測のためのディープインテントアウェアネットワーク
- Authors: Yaxian Xia, Yi Cao, Sihao Hu, Tong Liu, Lingling Lu
- Abstract要約: エンターテイメントアイコンに表示されるトリガーアイテムは、より多くのエンターテイメントを引き付けることができる。
従来のClick-Through-Rate(CTR)予測モデルは、トリガーアイテムに対するユーザの即時関心を無視している。
Deep Intention-Aware Network (DIAN)は、ユーザの意図を正確に予測し、結果を動的にバランスさせる。
- 参考スコア（独自算出の注目度）: 9.00554150844311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: E-commerce platforms provide entrances for customers to enter mini-apps that
can meet their specific shopping requirements. Trigger items displayed on
entrance icons can attract more entering. However, conventional
Click-Through-Rate (CTR) prediction models, which ignore user instant interest
in trigger item, fail to be applied to the new recommendation scenario dubbed
Trigger-Induced Recommendation in Mini-Apps (TIRA). Moreover, due to the high
stickiness of customers to mini-apps, we argue that existing trigger-based
methods that over-emphasize the importance of trigger items, are undesired for
TIRA, since a large portion of customer entries are because of their routine
shopping habits instead of triggers. We identify that the key to TIRA is to
extract customers' personalized entering intention and weigh the impact of
triggers based on this intention. To achieve this goal, we convert CTR
prediction for TIRA into a separate estimation form, and present Deep
Intention-Aware Network (DIAN) with three key elements: 1) Intent Net that
estimates user's entering intention, i.e., whether he/she is affected by the
trigger or by the habits; 2) Trigger-Aware Net and 3) Trigger-Free Net that
estimate CTRs given user's intention is to the trigger-item and the mini-app
respectively. Following a joint learning way, DIAN can both accurately predict
user intention and dynamically balance the results of trigger-free and
trigger-based recommendations based on the estimated intention. Experiments
show that DIAN advances state-of-the-art performance in a large real-world
dataset, and brings a 9.39% lift of online Item Page View and 4.74% CTR for
Juhuasuan, a famous mini-app of Taobao.
- Abstract（参考訳）: Eコマースプラットフォームは、顧客が特定のショッピング要件を満たすミニアプリに入るための入り口を提供する。
入り口のアイコンに表示されるトリガーアイテムは、より多くのエントリを引き付けることができる。
しかし、トリガー項目に対するユーザの興味を無視する従来のClick-Through-Rate(CTR)予測モデルは、Trigger-induced Recommendation in Mini-Apps(TIRA)と呼ばれる新しいレコメンデーションシナリオには適用されない。
さらに,顧客からのミニアプリへのこだわりが高いことから,トリガーアイテムの重要性を過度に強調する既存のトリガーベース手法は,トリガーではなく日常的な買い物習慣のため,TIRAにとって望ましくないものとなっている。
TIRAの鍵は、顧客のパーソナライズされた入力意図を抽出し、この意図に基づいてトリガーの影響を測定することである。
この目的を達成するために、我々はTIRAのCTR予測を別の推定形式に変換し、3つの重要な要素を持つディープ・インテンション・アウェア・ネットワーク(DIAN)を提示する。
1) ユーザの入力意図を推定する意図ネット,すなわち,トリガーによって影響を受けるか,習慣によって影響を受けるか
2)トリガーアウェアネット及び
3) ユーザが意図したCTRを推定するトリガーフリーネットは,それぞれトリガーイテムとミニアプリである。
共同学習手法により、DIANはユーザの意図を正確に予測し、推定された意図に基づいてトリガーフリーおよびトリガーベースレコメンデーションの結果を動的にバランスさせることができる。
実験によると、DIANは大規模な実世界のデータセットで最先端のパフォーマンスを向上し、オンラインアイテムページビューの9.39%と、有名なタオバオのミニアプリであるJuhuasuanの4.74%のCTRを提供する。
関連論文リスト
- A Simple Baseline for Predicting Events with Auto-Regressive Tabular Transformers [70.20477771578824]
イベント予測への既存のアプローチには、タイムアウェアな位置埋め込み、学習行とフィールドエンコーディング、クラス不均衡に対処するオーバーサンプリング方法などがある。
基本位置埋め込みと因果言語モデリングの目的を持つ標準自己回帰型LPM変換器を用いて,単純だが柔軟なベースラインを提案する。
私たちのベースラインは、一般的なデータセットで既存のアプローチよりも優れており、さまざまなユースケースに使用することができます。
論文 参考訳（メタデータ） (2024-10-14T15:59:16Z) - Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation [28.29435760797856]
本稿では,TIRシナリオにおけるクリックスルーレート予測のための新しい手法であるDeep Evolutional Instant Interest Network (DEI2N)を提案する。
我々は,ユーザがスクロールダウンした場合の瞬間的関心の強度の動的変化を予測するために,ユーザインスタント・関心モデリング・レイヤを設計する。
オフラインおよび実世界の産業データセットを用いて,本手法の評価を行った。
論文 参考訳（メタデータ） (2024-01-15T15:27:24Z) - G-STO: Sequential Main Shopping Intention Detection via
Graph-Regularized Stochastic Transformer [20.415439583899847]
主なショッピング意図の検出領域は学術文献で未検討のままである。
我々は,グローバルリレーショナルグラフを正規化の事前知識として開発し,関連するショッピング意図を分布的に近接させることを可能にした。
我々は,3つの実世界のデータセット上でのショッピング意図同定モデルの評価を行った。
論文 参考訳（メタデータ） (2023-06-25T19:02:31Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
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。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Incremental-DETR: Incremental Few-Shot Object Detection via
Self-Supervised Learning [60.64535309016623]
本稿では,DeTRオブジェクト検出器上での微調整および自己教師型学習によるインクリメンタル・デクリメンタル・デクリメンタル・デクリメンタル・オブジェクト検出を提案する。
まず,DeTRのクラス固有のコンポーネントを自己監督で微調整する。
さらに,DeTRのクラス固有のコンポーネントに知識蒸留を施した数発の微調整戦略を導入し,破滅的な忘れを伴わずに新しいクラスを検出するネットワークを奨励する。
論文 参考訳（メタデータ） (2022-05-09T05:08:08Z) - Deep Interest Highlight Network for Click-Through Rate Prediction in
Trigger-Induced Recommendation [15.490873353133363]
本稿では,トリガー誘導レコメンデーション(TIR, Trigger-induced Recommendation)という新たなレコメンデーション問題を提案する。
そこで本研究では,クリックスルーレート(CTR)予測のための,DIHN(Deep Interest Highlight Network)と呼ばれる新しい推奨手法を提案する。
1)ユーザインテントネットワーク(UIN)、2)トリガーアイテムに対するユーザの意図を正確に予測するための正確な確率スコアを生成する、2)統合埋め込みモジュール(FEM)、そして、UINからの予測に基づいてトリガーアイテムとターゲットアイテムの埋め込みを適応的に融合する、3)。
論文 参考訳（メタデータ） (2022-02-05T08:40:30Z) - AutoTriggER: Label-Efficient and Robust Named Entity Recognition with
Auxiliary Trigger Extraction [54.20039200180071]
我々は,エンティティトリガの自動生成と活用によるNER性能向上のための新しいフレームワークを提案する。
筆者らのフレームワークは,ポストホックな説明を活用して合理的な知識を生成し,埋め込み手法を用いてモデルの事前知識を強化する。
AutoTriggERは強力なラベル効率を示し、目に見えないエンティティを一般化し、RoBERTa-CRFベースラインを平均0.5F1ポイント上回る性能を持つ。
論文 参考訳（メタデータ） (2021-09-10T08:11:56Z) - 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) - Learning over no-Preferred and Preferred Sequence of items for Robust
Recommendation [66.8722561224499]
暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。
本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
論文 参考訳（メタデータ） (2020-12-12T22:10:15Z) - TPG-DNN: A Method for User Intent Prediction Based on Total Probability
Formula and GRU Loss with Multi-task Learning [36.38658213969406]
本稿では,新しいユーザ意図予測モデルであるTPG-DNNを提案する。
提案モデルは,タオバオプラットフォーム上でのクーポンの割り当て,広告,レコメンデーションに広く利用されている。
論文 参考訳（メタデータ） (2020-08-05T13:25:53Z) - ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。
そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
論文 参考訳（メタデータ） (2020-04-16T06:43:11Z)
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。