論文の概要: FAN: Fatigue-Aware Network for Click-Through Rate Prediction in E-commerce Recommendation

• arxiv url: http://arxiv.org/abs/2304.04529v1
• Date: Mon, 10 Apr 2023 11:58:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 15:08:09.166228
• Title: FAN: Fatigue-Aware Network for Click-Through Rate Prediction in E-commerce Recommendation
• Title（参考訳）: FAN:Eコマース勧告におけるクリックスルーレート予測のための疲労認識ネットワーク
• Authors: Ming Li, Naiyin Liu, Xiaofeng Pan, Yang Huang, Ningning Li, Yingmin Su, Chengjun Mao, and Bo Cao
• Abstract要約: 非クリックによるユーザの疲労を直接知覚する新しいCTRモデルであるFref-Aware Network (FAN)を提案する。 実世界のデータセットを用いて、FANの優位性を検証し、オンラインA/Bテストにより、FANが代表的CTRモデルよりも優れていたことも明らかにした。
• 参考スコア（独自算出の注目度）: 5.789227114547952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since clicks usually contain heavy noise, increasing research efforts have been devoted to modeling implicit negative user behaviors (i.e., non-clicks). However, they either rely on explicit negative user behaviors (e.g., dislikes) or simply treat non-clicks as negative feedback, failing to learn negative user interests comprehensively. In such situations, users may experience fatigue because of seeing too many similar recommendations. In this paper, we propose Fatigue-Aware Network (FAN), a novel CTR model that directly perceives user fatigue from non-clicks. Specifically, we first apply Fourier Transformation to the time series generated from non-clicks, obtaining its frequency spectrum which contains comprehensive information about user fatigue. Then the frequency spectrum is modulated by category information of the target item to model the bias that both the upper bound of fatigue and users' patience is different for different categories. Moreover, a gating network is adopted to model the confidence of user fatigue and an auxiliary task is designed to guide the learning of user fatigue, so we can obtain a well-learned fatigue representation and combine it with user interests for the final CTR prediction. Experimental results on real-world datasets validate the superiority of FAN and online A/B tests also show FAN outperforms representative CTR models significantly.
• Abstract（参考訳）: クリックには通常大きなノイズが伴うため、暗黙的なネガティブなユーザー行動(ノンクリック)のモデル化に研究努力が注がれている。 しかし、それらは明示的なネガティブなユーザー行動(例えば、嫌悪)に依存するか、単に非クリックをネガティブなフィードバックとして扱うだけで、ネガティブなユーザーの興味を包括的に学ばない。 このような状況では、類似した推奨が多すぎるため、ユーザは疲労を経験することがある。 本稿では,非クリックによるユーザの疲労を直接知覚する新しいCTRモデルであるFref-Aware Network (FAN)を提案する。 具体的には、非クリックから発生する時系列にフーリエ変換を適用し、ユーザの疲労に関する包括的な情報を含む周波数スペクトルを得る。 次に、周波数スペクトルを対象項目のカテゴリ情報により変調し、各カテゴリについて、疲労の上限とユーザの忍耐の両方が異なるバイアスをモデル化する。 さらに、ユーザ疲労の信頼度をモデル化するゲーティングネットワークを採用し、ユーザ疲労の学習をガイドする補助タスクを設計することにより、十分に学習された疲労表現を入手し、最終的なCTR予測のためにユーザ関心と組み合わせることができる。 実世界のデータセットを用いて、FANの優位性を検証し、オンラインA/Bテストにより、FANが代表的CTRモデルよりも優れていることを示す。

関連論文リスト

• Modeling User Fatigue for Sequential Recommendation [45.072357820562665]
  ユーザーは、短い歴史の中で露出したコンテンツに似すぎているレコメンデーションにうんざりしているかもしれない。 より良いユーザエクスペリエンスを実現することの重要性にもかかわらず、ユーザの疲労は、既存のレコメンデーションによって調査されることはめったにありません。 シーケンシャルレコメンデーション(FRec)のための関心学習におけるユーザ疲労のモデル化を提案する。
  論文  参考訳（メタデータ） (2024-05-20T03:47:12Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
  ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。 本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。 その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• Soft Frequency Capping for Improved Ad Click Prediction in Yahoo Gemini Native [1.9315883475944244]
  Yahooのネイティブ広告(Gemini Nativeとも呼ばれる)は毎日何十億もの広告インプレッションを提供しており、年間1億米ドルのランレートに達している。 Offsetは、勾配降下(SGD)ベースのアプローチを使用して、新しいログデータのバッチ毎にモデルを更新するワンパスアルゴリズムである。 ユーザアド機能として周波数特徴をOFFSETモデルに組み込んだソフト周波数キャッピング(SFC)手法を提案し,その重みベクトルはロジスティック回帰により学習する。
  論文  参考訳（メタデータ） (2023-12-08T14:12:49Z)
• DPR: An Algorithm Mitigate Bias Accumulation in Recommendation feedback loops [41.21024436158042]
  フィードバックループと未知の露出メカニズムが推奨品質とユーザエクスペリエンスに与える影響について検討した。 本研究では,動的再重み付けを用いてクロスエフェクトを緩和する非バイアスアルゴリズムである動的パーソナライズランキング(textbfDPR)を提案する。 提案手法は,フィードバックループと未知の露出機構の負の効果を緩和するものである。
  論文  参考訳（メタデータ） (2023-11-10T04:36:00Z)
• Robust Collaborative Filtering to Popularity Distribution Shift [56.78171423428719]
  本稿では,テストデータに仮定することなく,インタラクションワイドな人気ショートカットを定量化し,削減する,シンプルで効果的なデバイアス対策であるPopGoを提案する。 IDとOODの両方のテストセットにおいて、PopGoは最先端のデバイアス戦略よりも大幅に向上している。
  論文  参考訳（メタデータ） (2023-10-16T04:20:52Z)
• FE-TCM: Filter-Enhanced Transformer Click Model for Web Search [10.91456636784484]
  特徴抽出のバックボーンネットワークとしてTransformerを使用し、フィルタ層を革新的に追加し、Web検索のための新しいフィルタ拡張トランスフォーマークリックモデル(FE-TCM)を提案する。 FE-TCMは、クリック予測のために既存のクリックモデルより優れている。
  論文  参考訳（メタデータ） (2023-01-19T02:51:47Z)
• Generating Negative Samples for Sequential Recommendation [83.60655196391855]
  逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。 アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
  論文  参考訳（メタデータ） (2022-08-07T05:44:13Z)
• Generalized Delayed Feedback Model with Post-Click Information in Recommender Systems [37.72697954740977]
  クリック後のユーザ行動も変換率予測に有益であり,タイムラインの改善に有効であることを示す。 本稿では、クリック後の動作と初期変換の両方をクリック後の情報として統合する一般化遅延フィードバックモデル(GDFM)を提案する。
  論文  参考訳（メタデータ） (2022-06-01T11:17:01Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。