論文の概要: Practical Lessons on Optimizing Sponsored Products in eCommerce

• arxiv url: http://arxiv.org/abs/2304.09107v1
• Date: Wed, 5 Apr 2023 21:46:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-23 04:18:22.669445
• Title: Practical Lessons on Optimizing Sponsored Products in eCommerce
• Title（参考訳）: 電子商取引におけるスポンサー商品の最適化に関する実践的教訓
• Authors: Yanbing Xue, Bo Liu, Weizhi Du, Jayanth Korlimarla, Musen Men
• Abstract要約: 広告システムにおけるスポンサー付製品最適化の問題点として,位置ベースデバイアス,クリック変換マルチタスク学習,および予測クリックスルーレート(pCTR)のキャリブレーションについて検討した。 本稿では,既存の機械学習モデルに構造的変更を加えることなくソリューションを提供する,実践的な機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.245623148893172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study multiple problems from sponsored product optimization in ad system, including position-based de-biasing, click-conversion multi-task learning, and calibration on predicted click-through-rate (pCTR). We propose a practical machine learning framework that provides the solutions to such problems without structural change to existing machine learning models, thus can be combined with most machine learning models including shallow models (e.g. gradient boosting decision trees, support vector machines). In this paper, we first propose data and feature engineering techniques to handle the aforementioned problems in ad system; after that, we evaluate the benefit of our practical framework on real-world data sets from our traffic logs from online shopping site. We show that our proposed practical framework with data and feature engineering can also handle the perennial problems in ad systems and bring increments to multiple evaluation metrics.
• Abstract（参考訳）: 本稿では,広告システムにおけるスポンサー付製品最適化の問題点について,位置ベースデバイアス,クリック変換マルチタスク学習,予測クリックスルーレート(pCTR)のキャリブレーションなどについて検討する。 本研究では,既存の機械学習モデルに構造的変更を加えることなく,そのような問題に対する解決策を提供する実用的な機械学習フレームワークを提案し,浅いモデルを含むほとんどの機械学習モデル(勾配ブースティング決定木,サポートベクターマシンなど)と組み合わせることができる。 本稿では,まず,広告システムにおける上記の問題に対処するデータと機能工学手法を提案し,その後,オンラインショッピングサイトからのトラフィックログから実世界のデータ集合に関する実践的枠組みの利点を評価する。 提案するデータと機能工学の実践的フレームワークは,広告システムにおける年次問題にも対処でき,複数の評価指標にインクリメントをもたらすことを示す。

関連論文リスト

• Inference Optimization of Foundation Models on AI Accelerators [68.24450520773688]
  トランスフォーマーアーキテクチャを備えた大規模言語モデル(LLM)を含む強力な基礎モデルは、ジェネレーティブAIの新たな時代を支えている。 モデルパラメータの数が数十億に達すると、実際のシナリオにおける推論コストと高いレイテンシーが排除される。 このチュートリアルでは、AIアクセラレータを用いた補完推論最適化テクニックに関する包括的な議論を行っている。
  論文  参考訳（メタデータ） (2024-07-12T09:24:34Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• CLASSify: A Web-Based Tool for Machine Learning [0.0]
  本稿では、機械学習の分類問題の自動化ツールについて、学習モデルのプロセスを簡単にし、結果を生成するとともに、データに対する情報的可視化と洞察を提供する。 CLASSifyは、機械学習の知識を必要とせずに分類問題を解決するオープンソースのツールである。
  論文  参考訳（メタデータ） (2023-10-05T15:51:36Z)
• Hybrid Algorithm Selection and Hyperparameter Tuning on Distributed Machine Learning Resources: A Hierarchical Agent-based Approach [0.0]
  本稿では,分散された機械学習アルゴリズムを選択するための,完全自動協調型エージェントベース機構を提案する。 我々の解は完全に正解であり、利用可能な資源の大きさに関連して線形時間と空間の複雑さを示す。
  論文  参考訳（メタデータ） (2023-09-12T21:07:23Z)
• Optimal Event Monitoring through Internet Mashup over Multivariate Time Series [77.34726150561087]
  このフレームワークは、モデル定義、クエリ、パラメータ学習、モデル評価、データ監視、決定レコメンデーション、Webポータルのサービスをサポートする。 さらに、MTSAデータモデルとクエリ言語を拡張して、学習、監視、レコメンデーションのサービスにおいて、この種の問題をサポートする。
  論文  参考訳（メタデータ） (2022-10-18T16:56:17Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)
• Retrieval-Enhanced Machine Learning [110.5237983180089]
  本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
  論文  参考訳（メタデータ） (2022-05-02T21:42:45Z)
• Engineering an Intelligent Essay Scoring and Feedback System: An Experience Report [1.5168188294440734]
  専門的な採用支援サービスの顧客から提供されるエッセイの質を評価するための探索システムについて述べる。 オープンエンドの顧客提供のソーステキストがあいまいさとエラーのかなりの範囲を持っているため、問題領域は困難です。 また、専門的なビジネスドメイン知識をインテリジェントな処理システムに組み込む必要もあります。
  論文  参考訳（メタデータ） (2021-03-25T03:46:05Z)
• SELM: Software Engineering of Machine Learning Models [0.19116784879310023]
  本稿では,機械学習モデルのソフトウェア工学のためのSELMフレームワークについて述べる。 SELMフレームワークを使うことで、機械学習プロセスの効率を改善し、学習の精度を高めることができる。 この問題は、機械学習に対する学際的アプローチの重要性を強調している。
  論文  参考訳（メタデータ） (2021-03-20T21:43:24Z)
• An Overview of Recommender Systems and Machine Learning in Feature Modeling and Configuration [55.67505546330206]
  レコメンダーシステムおよび機械学習技術の適用に関連する潜在的な新しい研究ラインの概要を説明します。 本論文では,レコメンダーシステムと機械学習の応用例を示し,今後の研究課題について考察する。
  論文  参考訳（メタデータ） (2021-02-12T17:21:36Z)

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。