論文の概要: Hierarchically Fusing Long and Short-Term User Interests for
Click-Through Rate Prediction in Product Search
- arxiv url: http://arxiv.org/abs/2304.02089v1
- Date: Tue, 4 Apr 2023 19:35:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 14:15:20.090500
- Title: Hierarchically Fusing Long and Short-Term User Interests for
Click-Through Rate Prediction in Product Search
- Title（参考訳）: 商品検索におけるクリックスルーレート予測のための長期・短期ユーザ興味の階層的融合
- Authors: Qijie Shen, Hong Wen, Jing Zhang, Qi Rao
- Abstract要約: 提案手法は, 短期利得指数(SIE), 長期利得指数(LIE), 興味融合モジュール(IFM), 関心分散モジュール(IDM)の4つの基本モジュールからなる階層利得拡散ネットワーク(HIFN)を提案する。
SIEは、クエリ依存、ターゲット依存、因果依存の利子エンコーダの3つの基本利子エンコーダを統合することで、ユーザの短期利子を抽出する。
IFMでは、達成された長期的利益と短期的利益は適応的にさらに融合され、その後にConcatが続く
- 参考スコア（独自算出の注目度）: 10.13642199864488
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Estimating Click-Through Rate (CTR) is a vital yet challenging task in
personalized product search. However, existing CTR methods still struggle in
the product search settings due to the following three challenges including how
to more effectively extract users' short-term interests with respect to
multiple aspects, how to extract and fuse users' long-term interest with
short-term interests, how to address the entangling characteristic of long and
short-term interests. To resolve these challenges, in this paper, we propose a
new approach named Hierarchical Interests Fusing Network (HIFN), which consists
of four basic modules namely Short-term Interests Extractor (SIE), Long-term
Interests Extractor (LIE), Interests Fusion Module (IFM) and Interests
Disentanglement Module (IDM). Specifically, SIE is proposed to extract user's
short-term interests by integrating three fundamental interests encoders within
it namely query-dependent, target-dependent and causal-dependent interest
encoder, respectively, followed by delivering the resultant representation to
the module LIE, where it can effectively capture user long-term interests by
devising an attention mechanism with respect to the short-term interests from
SIE module. In IFM, the achieved long and short-term interests are further
fused in an adaptive manner, followed by concatenating it with original raw
context features for the final prediction result. Last but not least,
considering the entangling characteristic of long and short-term interests, IDM
further devises a self-supervised framework to disentangle long and short-term
interests. Extensive offline and online evaluations on a real-world e-commerce
platform demonstrate the superiority of HIFN over state-of-the-art methods.
- Abstract（参考訳）: CTR(Click-Through Rate)の推定は、パーソナライズされた製品検索において不可欠だが難しい課題である。
しかし,既存のCTR手法は,複数の側面からユーザの短期利害関係をより効果的に抽出する方法,短期利害関係の長期利害関係の長期利害関係の抽出・融合方法,長期利害関係の絡み合いにどう対処するか,という3つの課題から,製品検索設定に苦慮している。
本稿では,これらの課題を解決するために,短期的興味抽出器(sie),長期的関心抽出器(lie),興味融合モジュール(ifm),興味疎結合モジュール(idm)という4つの基本モジュールからなる階層的関心疎結合ネットワーク(hifn)という新しいアプローチを提案する。
具体的には、クエリ依存、ターゲット依存、因果依存という3つの基本的な関心エンコーダを統合することでユーザの短期的関心を抽出し、その結果をモジュールリーに提供し、sieモジュールから短期的関心に関する注意メカニズムを考案することにより、ユーザの長期的関心を効果的に捉えられるようにする。
IFMでは、達成された長期的・短期的な利益をさらに適応的に融合させ、最終的な予測結果のために元の生のコンテキスト特徴と結合する。
最後に、IDMは、長期的・短期的な利害関係の絡み合いを考慮し、長期的・短期的な利害関係を解消する自己監督的な枠組みを考案している。
実世界のeコマースプラットフォーム上での大規模なオフラインおよびオンライン評価は、最先端の手法よりもHIFNの方が優れていることを示している。
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) - Graph Based Long-Term And Short-Term Interest Model for Click-Through
Rate Prediction [8.679270588565398]
GLSMと呼ばれるグラフに基づく長期短期利害モデルを提案する。
長期ユーザ行動のキャプチャのための多目的グラフ構造と、短期情報モデリングのための多シナリオ異種シーケンスモデルと、長期および短期行動からの融合情報に対する適応的融合機構とから構成される。
論文 参考訳（メタデータ） (2023-06-05T07:04:34Z) - IDNP: Interest Dynamics Modeling using Generative Neural Processes for
Sequential Recommendation [40.4445022666304]
我々は,機能的視点からユーザ興味をモデル化するために,生成型 textbfNeural textbfProcesses を用いた textbfInterest textbfDynamics モデリングフレームワークを提案する。
本モデルでは,各種評価指標の最先端性に優れる。
論文 参考訳（メタデータ） (2022-08-09T08:33:32Z) - Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。
新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。
また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
論文 参考訳（メタデータ） (2022-02-01T06:52:40Z) - Long Short-Term Transformer for Online Action Detection [96.23884916995978]
Long Short-term TRansformer (LSTR) はオンライン行動検出のための新しい時間的モデリングアルゴリズムである。
以前の研究と比較すると、LSTRはアルゴリズム設計の少ない長編動画を効果的かつ効率的にモデル化する方法を提供する。
論文 参考訳（メタデータ） (2021-07-07T17:49:51Z) - Context-aware short-term interest first model for session-based
recommendation [0.0]
文脈対応短期関心第一モデル(CASIF)を提案する。
本研究の目的は,文脈と短期的関心を組み合わせることで,推薦の正確性を向上させることである。
最後に、短期的および長期的利息を最終利息として結合し、候補ベクトルによって乗算して推奨確率を得る。
論文 参考訳（メタデータ） (2021-03-29T11:36:00Z) - MRIF: Multi-resolution Interest Fusion for Recommendation [0.0]
本稿では,ユーザの利害関係を考慮に入れた多分解能利害融合モデル(MRIF)を提案する。
提案モデルでは,ユーザの興味の動的変化を異なる時間範囲で捉えることができ,マルチ解像度のユーザ関心を組み合わせて予測を行う効果的な方法を提供する。
論文 参考訳（メタデータ） (2020-07-08T02:32:15Z) - Modeling Long-Term and Short-Term Interests with Parallel Attentions for
Session-based Recommendation [17.092823992007794]
セッションベースのレコメンダは通常、ユーザの進化する関心を探求します。
近年の注意機構の進歩により、この課題を解決するための最先端の手法が導かれた。
本稿では,セッションベースレコメンデーションのための並列注意ネットワークモデル(PAN)を提案する。
論文 参考訳（メタデータ） (2020-06-27T11:47:51Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z) - Long Short-Term Relation Networks for Video Action Detection [155.13392337831166]
本稿では,Long Short-Term Relation Networks (LSTR)について述べる。
LSTRは、ビデオアクション検出のための拡張機能と関連して集約し、伝播する。
4つのベンチマークデータセットで大規模な実験を行う。
論文 参考訳（メタデータ） (2020-03-31T10:02:51Z) - Options of Interest: Temporal Abstraction with Interest Functions [58.30081828754683]
一般関数近似に適した開始集合の一般化を、オプションに関連付けられた興味関数を定義することによって提供する。
我々は、関心関数に対する勾配に基づく学習アルゴリズムを導出し、新たな関心選択批判的アーキテクチャを創出する。
論文 参考訳（メタデータ） (2020-01-01T21:24:39Z)
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。