論文の概要: Explicit Feature Interaction-aware Uplift Network for Online Marketing
- arxiv url: http://arxiv.org/abs/2306.00315v1
- Date: Thu, 1 Jun 2023 03:26:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 18:31:16.480278
- Title: Explicit Feature Interaction-aware Uplift Network for Online Marketing
- Title（参考訳）: オンラインマーケティングのための明示的機能インタラクション対応アップリフトネットワーク
- Authors: Dugang Liu, Xing Tang, Han Gao, Fuyuan Lyu, Xiuqiang He
- Abstract要約: アップリフトモデリングは、異なる治療が異なるユーザーを動機づける程度を正確に捉えることを目的としています。
本稿では,これらの2つの問題に対処するために,明示的な機能インタラクション対応アップリフトネットワーク(EFIN)を提案する。
我々のEFINは、大規模なオンライン金融プラットフォームのクレジットカード支払いシナリオに展開され、大幅な改善がなされました。
- 参考スコア（独自算出の注目度）: 25.325081105648096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a key component in online marketing, uplift modeling aims to accurately
capture the degree to which different treatments motivate different users, such
as coupons or discounts, also known as the estimation of individual treatment
effect (ITE). In an actual business scenario, the options for treatment may be
numerous and complex, and there may be correlations between different
treatments. In addition, each marketing instance may also have rich user and
contextual features. However, existing methods still fall short in both fully
exploiting treatment information and mining features that are sensitive to a
particular treatment. In this paper, we propose an explicit feature
interaction-aware uplift network (EFIN) to address these two problems. Our EFIN
includes four customized modules: 1) a feature encoding module encodes not only
the user and contextual features, but also the treatment features; 2) a
self-interaction module aims to accurately model the user's natural response
with all but the treatment features; 3) a treatment-aware interaction module
accurately models the degree to which a particular treatment motivates a user
through interactions between the treatment features and other features, i.e.,
ITE; and 4) an intervention constraint module is used to balance the ITE
distribution of users between the control and treatment groups so that the
model would still achieve a accurate uplift ranking on data collected from a
non-random intervention marketing scenario. We conduct extensive experiments on
two public datasets and one product dataset to verify the effectiveness of our
EFIN. In addition, our EFIN has been deployed in a credit card bill payment
scenario of a large online financial platform with a significant improvement.
- Abstract（参考訳）: オンラインマーケティングの重要な要素として、uplift modelingは、個々の治療効果(ite)の推定として知られるクーポンや割引など、異なるユーザーを動機づけるさまざまな治療法の程度を正確に把握することを目的としている。
実際のビジネスシナリオでは、治療の選択肢は多様で複雑であり、異なる治療の間に相関がある可能性がある。
さらに、各マーケティングインスタンスには、リッチなユーザとコンテキスト機能もある。
しかし, 処理情報の完全活用と特定の処理に敏感なマイニングの両面で, 既存の手法は依然として不足している。
本稿では,これらの2つの問題に対処するために,特徴量対応高揚ネットワーク(EFIN)を提案する。
EFINには4つのカスタマイズされたモジュールがあります。
1) 特徴符号化モジュールは,ユーザ及び文脈的特徴だけでなく,治療的特徴も符号化する。
2) 自己相互作用モジュールは,ユーザの自然な応答を,治療機能以外の全てで正確にモデル化することを目的としている。
3) 治療認識インタラクションモジュールは、治療特徴と他の特徴、すなわちiteとの相互作用を通じて、特定の治療がユーザを動機づける程度を正確にモデル化する。
4) 介入制約モジュールは、制御群と治療群の間の利用者のite分布のバランスをとるために使用され、非ランダム介入マーケティングシナリオから収集したデータの正確な上昇ランキングを達成する。
EFINの有効性を検証するため、2つの公開データセットと1つの製品データセットについて広範な実験を行った。
さらに、当社のefinは、大規模なオンライン金融プラットフォームのクレジットカード決済シナリオに展開され、大幅に改善されています。
関連論文リスト
- Latent Feature Mining for Predictive Model Enhancement with Large Language Models [2.6334346517416876]
本稿では,テキストからテキストへの命題論理的推論として潜在特徴抽出を定式化するための効果的なアプローチを提案する。
本稿では,大規模言語モデル (LLM) を利用した潜在機能付き観測機能拡張フレームワークであるFLAMEを提案する。
この枠組みを刑事司法制度と医療領域の2つのケーススタディで検証する。
論文 参考訳（メタデータ） (2024-10-06T03:51:32Z) - Multi-Treatment Multi-Task Uplift Modeling for Enhancing User Growth [12.243349396069934]
マルチタスクシナリオにおける処理効果を推定するために,マルチタスク・マルチタスク(MTMT)アップリフトネットワークを提案する。
MTMTは、タスク毎の自然な応答を測定するために、ユーザの特徴と治療を符号化する。
MTMTは、ユーザエクスペリエンスを改善するために、当社のゲームプラットフォームにデプロイされています。
論文 参考訳（メタデータ） (2024-08-23T02:44:08Z) - End-to-End Cost-Effective Incentive Recommendation under Budget Constraint with Uplift Modeling [12.160403526724476]
本稿では,予算制約下でのエンド・ツー・エンド・エンド・コスト・エフェクティブ・インセンティブ・レコメンデーション(E3IR)モデルを提案する。
具体的には、アップリフト予測モジュールと微分可能なアロケーションモジュールの2つのモジュールから構成される。
E3IRは既存の2段階アプローチに比べてアロケーション性能が向上する。
論文 参考訳（メタデータ） (2024-08-21T13:48:00Z) - Entire Chain Uplift Modeling with Context-Enhanced Learning for
Intelligent Marketing [23.18637871568023]
オンラインマーケティングにおいて不可欠なアップリフトモデリングは、個別処理効果(ITE)を予測することにより、クーポンや割引などの様々な戦略がユーザに与える影響を正確に測定することを目指している。
本稿では,これらの問題に対処するために考案されたコンテキスト強化学習(ECUP)を用いたEntire Chain UPlift法を紹介する。
ECUPは,1)チェーン空間全体にわたるITTの推定にユーザ行動パターンを利用するEntire Chain-Enhanced Networkと,すべての段階にわたるコンテキスト認識を強化するタスク事前情報の統合,2)異なるタスクに対する処理の影響の把握,の2つの主要コンポーネントで構成されている。
論文 参考訳（メタデータ） (2024-02-04T03:30:25Z) - Multimodal Fusion Interactions: A Study of Human and Automatic
Quantification [116.55145773123132]
我々は、人間がマルチモーダル相互作用の2つの分類に注釈を付ける方法を研究する。
本稿では,部分的および対実的ラベルのアノテーションを情報分解に自動的に変換する手法を提案する。
論文 参考訳（メタデータ） (2023-06-07T03:44:50Z) - Client-specific Property Inference against Secure Aggregation in
Federated Learning [52.8564467292226]
フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。
多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。
単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
論文 参考訳（メタデータ） (2023-03-07T14:11:01Z) - Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for
Multi-Behavior Recommendation [52.89816309759537]
マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。
最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。
本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-03T05:28:14Z) - Toward Understanding the Influence of Individual Clients in Federated
Learning [52.07734799278535]
フェデレーションラーニングにより、クライアントはプライベートデータを中央サーバーに送信することなく、グローバルモデルを共同でトレーニングできます。
em-Influenceという新しい概念を定義し、パラメータに対するこの影響を定量化し、このメトリクスを推定する効果的な効率的なモデルを提案しました。
論文 参考訳（メタデータ） (2020-12-20T14:34:36Z) - Interactive Fusion of Multi-level Features for Compositional Activity
Recognition [100.75045558068874]
インタラクティブな融合によってこの目標を達成する新しいフレームワークを提案する。
本フレームワークは,位置から出現までの特徴抽出,意味的特徴の相互作用,意味から位置への予測という3つのステップで実装する。
我々は,2つの行動認識データセット,SomethingとCharadesに対するアプローチを評価した。
論文 参考訳（メタデータ） (2020-12-10T14:17:18Z) - Automatic Validation of Textual Attribute Values in E-commerce Catalog
by Learning with Limited Labeled Data [61.789797281676606]
そこで我々はMetaBridgeと呼ばれる新しいメタ学習潜伏変数アプローチを提案する。
限られたラベル付きデータを持つカテゴリのサブセットから、転送可能な知識を学ぶことができる。
ラベルのないデータで、目に見えないカテゴリの不確実性を捉えることができる。
論文 参考訳（メタデータ） (2020-06-15T21:31:05Z) - Interpretable Deep Learning Model for Online Multi-touch Attribution [14.62385029537631]
本稿では,深層学習モデルとオンラインマルチタッチ属性の解釈のための付加的特徴説明モデルを組み合わせたDeepMTAという新しいモデルを提案する。
MTAの最初の解釈可能なディープラーニングモデルとして、DeepMTAは、顧客ジャーニーにおける3つの重要な特徴について検討している。
実データセットの評価は、提案した変換予測モデルが91%の精度を達成することを示している。
論文 参考訳（メタデータ） (2020-03-26T23:21:40Z)
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。