論文の概要: A Deep Behavior Path Matching Network for Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2302.00302v1
• Date: Wed, 1 Feb 2023 08:08:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-02 17:42:31.777626
• Title: A Deep Behavior Path Matching Network for Click-Through Rate Prediction
• Title（参考訳）: クリックスルー率予測のための深い行動経路マッチングネットワーク
• Authors: Jian Dong, Yisong Yu, Yapeng Zhang, Yimin Lv, Shuli Wang, Beihong Jin, Yongkang Wang, Xingxing Wang and Dong Wang
• Abstract要約: 本稿では,ユーザの現在の行動経路と過去の行動経路とを一致させて,ユーザの行動を予測することを提案する。 我々は,行動経路マッチングのためのディープニューラルネットワークを設計し,行動経路の空間性,ノイズ干渉,行動経路の正確なマッチングという3つの問題を解決する。 本モデルでは,2つの実世界のデータセットにおいて,最先端のCTRモデルよりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 9.800832176496002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User behaviors on an e-commerce app not only contain different kinds of feedback on items but also sometimes imply the cognitive clue of the user's decision-making. For understanding the psychological procedure behind user decisions, we present the behavior path and propose to match the user's current behavior path with historical behavior paths to predict user behaviors on the app. Further, we design a deep neural network for behavior path matching and solve three difficulties in modeling behavior paths: sparsity, noise interference, and accurate matching of behavior paths. In particular, we leverage contrastive learning to augment user behavior paths, provide behavior path self-activation to alleviate the effect of noise, and adopt a two-level matching mechanism to identify the most appropriate candidate. Our model shows excellent performance on two real-world datasets, outperforming the state-of-the-art CTR model. Moreover, our model has been deployed on the Meituan food delivery platform and has accumulated 1.6% improvement in CTR and 1.8% improvement in advertising revenue.
• Abstract（参考訳）: eコマースアプリのユーザーの行動は、アイテムに対する異なる種類のフィードバックを含むだけでなく、ユーザーの意思決定の認知的手がかりを暗示することもある。 ユーザ決定の背後にある心理的手順を理解するため、動作経路を示し、ユーザの現在の行動経路と過去の行動経路を一致させて、アプリのユーザの行動を予測することを提案する。 さらに、行動経路マッチングのためのディープニューラルネットワークを設計し、行動経路の空間性、ノイズ干渉、行動経路の正確なマッチングという3つの困難をモデル化する。 特に,コントラスト学習を利用してユーザの行動経路を補強し,ノイズの影響を軽減するための行動経路の自己活性化を行い,最も適切な候補を特定するために2段階マッチング機構を採用する。 本モデルでは,2つの実世界のデータセットにおいて,最先端のCTRモデルよりも優れた性能を示す。 さらに,我々のモデルはMeituanフードデリバリープラットフォーム上に展開され,CTRが1.6%,広告収入が1.8%向上した。

関連論文リスト

• 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)
• Personalized Behavior-Aware Transformer for Multi-Behavior Sequential Recommendation [25.400756652696895]
  マルチビヘイビアシーケンスレコメンデーション(MBSR)問題に対するパーソナライズされた行動認識変換フレームワーク(PBAT)を提案する。 PBATは表現層にパーソナライズされた振舞いパターン生成器を開発し,逐次学習のための動的・識別的な振舞いパターンを抽出する。 3つのベンチマークデータセットで実験を行い、その結果、フレームワークの有効性と解釈性を示した。
  論文  参考訳（メタデータ） (2024-02-22T12:03:21Z)
• Deep Group Interest Modeling of Full Lifelong User Behaviors for CTR Prediction [32.35797628133921]
  Deep Group Interest Network (DGIN) は、ユーザーの行動履歴をモデル化するエンド・ツー・エンドの手法である。 DGINグルーピングはO(104)からO(102)までの行動長を著しく減少させる 我々は、生涯の行動シーケンスから、同じ項目_idと候補項目を共有する行動のサブセットを同定する。
  論文  参考訳（メタデータ） (2023-11-15T06:36:11Z)
• 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)
• Recommender Transformers with Behavior Pathways [50.842316273120744]
  Recommender Transformer (RETR) を新しいパスウェイアテンション機構で構築する。 実世界の7つのデータセットにおけるRETRの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2022-06-13T08:58:37Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• Generative Adversarial Reward Learning for Generalized Behavior Tendency Inference [71.11416263370823]
  ユーザの行動嗜好モデルのための生成的逆強化学習を提案する。 我々のモデルは,差別的アクター批判ネットワークとWasserstein GANに基づいて,ユーザの行動から報酬を自動的に学習することができる。
  論文  参考訳（メタデータ） (2021-05-03T13:14:25Z)
• Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
  テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。 具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
  論文  参考訳（メタデータ） (2020-10-22T03:12:02Z)

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。