論文の概要: BASM: A Bottom-up Adaptive Spatiotemporal Model for Online Food Ordering
Service
- arxiv url: http://arxiv.org/abs/2211.12033v1
- Date: Tue, 22 Nov 2022 06:08:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 18:45:24.567710
- Title: BASM: A Bottom-up Adaptive Spatiotemporal Model for Online Food Ordering
Service
- Title(参考訳): BASM:オンライン食品注文サービスのためのボトムアップ適応時空間モデル
- Authors: Boya Du, Shaochuan Lin, Jiong Gao, Xiyu Ji, Mengya Wang, Taotao Zhou,
Hengxu He, Jia Jia, Ning Hu
- Abstract要約: オンライン注文サービス(オンライン注文サービス、英: Online-Ordering Service、FOS)は、ユーザーが望むものを注文するのを助ける位置情報ベースのサービスである。
本稿では、異なる時間的データ分布に適応的に適合する新しい適応モデル(StemporalM)を提案する。
また,BASMの有効性を検証するために,TAUC(Time- period-wise AUC)とCAUC(City-wise AUC)の2つの新しい指標を導入した。
- 参考スコア(独自算出の注目度): 7.088699796818076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online Food Ordering Service (OFOS) is a popular location-based service that
helps people to order what you want. Compared with traditional e-commerce
recommendation systems, users' interests may be diverse under different
spatiotemporal contexts, leading to various spatiotemporal data distribution,
which limits the fitting capacity of the model. However, numerous current works
simply mix all samples to train a set of model parameters, which makes it
difficult to capture the diversity in different spatiotemporal contexts.
Therefore, we address this challenge by proposing a Bottom-up Adaptive
Spatiotemporal Model(BASM) to adaptively fit the spatiotemporal data
distribution, which further improve the fitting capability of the model.
Specifically, a spatiotemporal-aware embedding layer performs weight adaptation
on field granularity in feature embedding, to achieve the purpose of
dynamically perceiving spatiotemporal contexts. Meanwhile, we propose a
spatiotemporal semantic transformation layer to explicitly convert the
concatenated input of the raw semantic to spatiotemporal semantic, which can
further enhance the semantic representation under different spatiotemporal
contexts. Furthermore, we introduce a novel spatiotemporal adaptive bias tower
to capture diverse spatiotemporal bias, reducing the difficulty to model
spatiotemporal distinction. To further verify the effectiveness of BASM, we
also novelly propose two new metrics, Time-period-wise AUC (TAUC) and City-wise
AUC (CAUC). Extensive offline evaluations on public and industrial datasets are
conducted to demonstrate the effectiveness of our proposed modle. The online
A/B experiment also further illustrates the practicability of the model online
service. This proposed method has now been implemented on the Ele.me, a major
online food ordering platform in China, serving more than 100 million online
users.
- Abstract(参考訳): オンライン食品注文サービス(Online Food Ordering Service、OFOS)は、ユーザーが好きなものを注文するのを助ける位置情報ベースのサービスだ。
従来の電子商取引のレコメンデーションシステムと比較すると、ユーザーの興味は時空間的文脈によって多様であり、モデルの適合能力を制限する様々な時空間的データ分布に繋がる。
しかし、現在の多くの研究は、単純に全てのサンプルを混合してモデルのパラメータのセットを訓練することで、異なる時空間で多様性を捉えるのが難しくなっている。
そこで本研究では, ボトムアップ適応時空間モデル(BASM)を提案し, 時空間データ分布を適応的に適合させ, モデルの適合性をさらに向上させる。
具体的には、時空間認識層は、時空間文脈を動的に知覚する目的を達成するため、特徴埋め込みにおけるフィールドの粒度に重み適応を行う。
一方,我々は,生意味論の連結入力を時空間意味論に明示的に変換する時空間意味変換層を提案し,時空間的文脈における意味表現をさらに強化する。
さらに, 多様な時空間バイアスを捕捉し, 時空間差をモデル化する難しさを低減できる新しい時空間適応型バイアスタワーを提案する。
また,BASMの有効性を検証するために,TAUC(Time- period-wise AUC)とCAUC(City-wise AUC)の2つの新しい指標を提案する。
提案手法の有効性を示すため,公共および産業用データセットの大規模なオフライン評価を行った。
オンラインA/B実験では、モデルオンラインサービスの実践性も説明されている。
提案手法は現在,中国の大手オンライン食品注文プラットフォームであるEle.me上で実装されており,1億人以上のオンラインユーザを対象としている。
関連論文リスト
- Revisiting Dynamic Evaluation: Online Adaptation for Large Language
Models [88.47454470043552]
我々は、動的評価(動的評価)としても知られる、テスト時の言語モデルのパラメータをオンラインで微調整する問題を考察する。
オンライン適応はパラメータを時間的に変化する状態に変換し、メモリを重み付けしたコンテキスト長拡張の形式を提供する。
論文 参考訳(メタデータ) (2024-03-03T14:03:48Z) - PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳(メタデータ) (2024-02-25T17:39:44Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - GPT-ST: Generative Pre-Training of Spatio-Temporal Graph Neural Networks [24.323017830938394]
この作業は、ベースラインとシームレスに統合し、パフォーマンスを向上する事前トレーニングフレームワークを導入することで、課題に対処することを目的としている。
フレームワークは2つの重要な設計に基づいて構築されている。
Apple-to-appleマスクオートエンコーダは、学習時間依存のための事前トレーニングモデルである。
これらのモジュールは、時間内カスタマイズされた表現とセマンティック・クラスタ間関係を捉えるように設計されている。
論文 参考訳(メタデータ) (2023-11-07T02:36:24Z) - UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series
Forecasting [59.11817101030137]
この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。
効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。
効果的なドメイン間時系列学習のためのUniTimeを提案する。
論文 参考訳(メタデータ) (2023-10-15T06:30:22Z) - Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning
under A Unified View [73.73667848619343]
UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
論文 参考訳(メタデータ) (2023-10-09T16:17:42Z) - PromptST: Prompt-Enhanced Spatio-Temporal Multi-Attribute Prediction [34.99158564028393]
本稿では,マルチテンポラルマルチ属性予測であるPromptSTSTを提案する。
我々は,時間的特性の異なる共通知識に対処するために,時間的変換器とパラメータ共有学習手法を考案した。
また,Pmptが時間的特性に優れた転送性を持っていることを証明し,都市コンピューティングに有望な可能性をもたらす。
論文 参考訳(メタデータ) (2023-09-18T05:57:12Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳(メタデータ) (2023-06-20T03:02:14Z) - Spatio-temporal Diffusion Point Processes [23.74522530140201]
パティオ・テンポラル・ポイント・プロセス(英: patio-temporal point process、STPP)は、時間と空間を伴うイベントの集合である。
結合分布のモデル化に失敗すると、与えられた事象の過去の時間的相互作用を特徴づける能力は限られる。
複雑な時空間の関節分布を学習する新しいパラメータ化フレームワークを提案する。
我々のフレームワークは最先端のベースラインを著しく上回り、平均50%以上の改善がなされています。
論文 参考訳(メタデータ) (2023-05-21T08:53:00Z) - OFTER: An Online Pipeline for Time Series Forecasting [3.9962751777898955]
OFTERは、中規模の多変量時系列に適した時系列予測パイプラインである。
オンラインタスク用に特別に設計されており、解釈可能な出力を持ち、いくつかの最先端のアートベースラインを上回ります。
アルゴリズムの計算効率、オンラインの性質、低信号対雑音方式での運用能力により、OFTERは金融時系列問題に理想的なアプローチとなる。
論文 参考訳(メタデータ) (2023-04-08T00:18:03Z)
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。