Fugu-MT 論文翻訳(概要): Contrastive Learning for Conversion Rate Prediction

論文の概要: Contrastive Learning for Conversion Rate Prediction

arxiv url: http://arxiv.org/abs/2307.05974v1
Date: Wed, 12 Jul 2023 07:42:52 GMT
ステータス: 処理完了
システム内更新日: 2023-07-13 14:01:25.798204
Title: Contrastive Learning for Conversion Rate Prediction
Title（参考訳）: コンバージョン率予測のためのコントラスト学習
Authors: Wentao Ouyang, Rui Dong, Xiuwu Zhang, Chaofeng Guo, Jinmei Luo, Xiangzheng Liu, Yanlong Du
Abstract要約: 本稿では,CL4CVR(Contrastive Learning for CVR Prediction)フレームワークを提案する。教師付きCVR予測タスクと、より良いデータ表現を学ぶための対照的な学習タスクを関連付ける。 2つの実世界の変換データセットの実験結果は、CL4CVRの優れた性能を示している。
参考スコア（独自算出の注目度）: 6.607531486024888
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Conversion rate (CVR) prediction plays an important role in advertising systems. Recently, supervised deep neural network-based models have shown promising performance in CVR prediction. However, they are data hungry and require an enormous amount of training data. In online advertising systems, although there are millions to billions of ads, users tend to click only a small set of them and to convert on an even smaller set. This data sparsity issue restricts the power of these deep models. In this paper, we propose the Contrastive Learning for CVR prediction (CL4CVR) framework. It associates the supervised CVR prediction task with a contrastive learning task, which can learn better data representations exploiting abundant unlabeled data and improve the CVR prediction performance. To tailor the contrastive learning task to the CVR prediction problem, we propose embedding masking (EM), rather than feature masking, to create two views of augmented samples. We also propose a false negative elimination (FNE) component to eliminate samples with the same feature as the anchor sample, to account for the natural property in user behavior data. We further propose a supervised positive inclusion (SPI) component to include additional positive samples for each anchor sample, in order to make full use of sparse but precious user conversion events. Experimental results on two real-world conversion datasets demonstrate the superior performance of CL4CVR. The source code is available at https://github.com/DongRuiHust/CL4CVR.
Abstract（参考訳）: コンバージョンレート(CVR)予測は広告システムにおいて重要な役割を果たす。近年,教師付き深層ニューラルネットワークモデルがcvr予測において有望な性能を示している。しかし、それらは空腹のデータであり、膨大なトレーニングデータを必要とする。オンライン広告システムでは、何百万から数十億もの広告があるが、ユーザーは小さなセットだけをクリックし、さらに小さなセットに変換する傾向にある。このデータ空間問題は、これらの深層モデルのパワーを制限する。本稿では,CL4CVR(Contrastive Learning for CVR Prediction)フレームワークを提案する。教師付きCVR予測タスクとコントラスト学習タスクを関連付けることで、豊富なラベルのないデータを利用したより良いデータ表現を学習し、CVR予測性能を向上させる。 CVR予測問題に対する対照的な学習課題を調整するために,特徴マスキングではなく埋め込みマスキング(EM)を提案し,拡張サンプルの2つのビューを作成する。また,ユーザ行動データの自然な性質を考慮し,アンカーサンプルと同じ特徴を持つサンプルを除去するために,偽陰性除去(FNE)成分を提案する。さらに,スパースかつ貴重なユーザ変換イベントをフル活用するために,アンカーサンプル毎に追加のポジティブサンプルを含む教師付きポジティブインクルージョン(SPI)コンポーネントを提案する。 2つの実世界の変換データセットの実験結果はcl4cvrの優れた性能を示している。ソースコードはhttps://github.com/DongRuiHust/CL4CVRで入手できる。

関連論文リスト

RAT: Retrieval-Augmented Transformer for Click-Through Rate Prediction [68.34355552090103]
本稿では, 試料内および試料間における微細な特徴相互作用の獲得を目的とした検索-拡張変換器(RAT)を開発した。次に、トランスフォーマー層をカスケードされた注意で構築し、イントラサンプルとクロスサンプルの両方の機能インタラクションをキャプチャします。実世界のデータセットの実験は、RATの有効性を裏付け、ロングテールシナリオにおいてその利点を示唆している。
論文参考訳（メタデータ） (2024-04-02T19:14:23Z)
MAP: A Model-agnostic Pretraining Framework for Click-through Rate Prediction [39.48740397029264]
本稿では,多分野分類データに特徴的破損と回復を適用したMAP(Model-Agnostic Pretraining)フレームワークを提案する。マスク付き特徴予測(RFD)と代替特徴検出(RFD)の2つの実用的なアルゴリズムを導出する。
論文参考訳（メタデータ） (2023-08-03T12:55:55Z)
Click-Conversion Multi-Task Model with Position Bias Mitigation for Sponsored Search in eCommerce [51.211924408864355]
位置認識型クリック変換(PACC)と位置埋め込み(PACC-PE)によるPACCの2つの位置バイアスのない予測モデルを提案する。 Eコマースが支援する製品検索データセットの実験により、提案したモデルではランキングの有効性が向上し、CTRとCVRの予測における位置バイアスを大幅に軽減できることが示された。
論文参考訳（メタデータ） (2023-07-29T19:41:16Z)
It Takes Two: Masked Appearance-Motion Modeling for Self-supervised Video Transformer Pre-training [76.69480467101143]
自己監督型ビデオトランスフォーマーの事前トレーニングは、最近マスク・アンド・予測パイプラインの恩恵を受けている。本稿では,映像中の動きの手がかりを余分な予測対象として明示的に調査し,マスケッド・出現運動モデリングフレームワークを提案する。一般的なビデオ表現を学習し、Kinects-400で82.3%、Something V2で71.3%、UCF101で91.5%、HMDB51で62.5%を達成する。
論文参考訳（メタデータ） (2022-10-11T08:05:18Z)
Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文参考訳（メタデータ） (2022-06-17T04:07:45Z)
Conversion Rate Prediction via Meta Learning in Small-Scale Recommendation Scenarios [17.02759665047561]
本稿では,データ分散ゆらぎ(DDF)問題に対処するメタ学習の観点から,MetaCVRという新しいCVR手法を提案する。我々の知る限りでは、小規模なレコメンデーションシナリオにおけるDFF問題を対象としたCVR予測の最初の研究である。
論文参考訳（メタデータ） (2021-12-27T16:05:42Z)
Quantum-Assisted Support Vector Regression for Detecting Facial Landmarks [0.0]
我々は、2つのSVRモデルをトレーニングするためのアルゴリズム、すなわちシミュレートと量子古典ハイブリッドを考案した。我々は,PythonのScikit-LernパッケージのSVR実装と比較した。我々の研究は、量子支援型SVRを教師付き学習タスクに適用するための概念実証の例である。
論文参考訳（メタデータ） (2021-11-17T18:57:10Z)
No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文参考訳（メタデータ） (2021-06-09T12:02:29Z)
Delayed Feedback Modeling for the Entire Space Conversion Rate Prediction [15.579755993971657]
クリック後変換率(CVR)を正確に推定することはEコマースにおいて重要である。本稿では,上記の3つの課題に同時に取り組むために,新しいニューラルネットワークフレームワークESDFを提案する。
論文参考訳（メタデータ） (2020-11-24T01:14:03Z)
LT4REC:A Lottery Ticket Hypothesis Based Multi-task Practice for Video Recommendation System [2.7174057828883504]
クリックスルーレート予測(CTR)とクリック後変換レート予測(CVR)は、すべての産業ランキングシステムにおいて重要な役割を果たす。本稿では,マルチタスク学習における宝くじをベースとしたスパース学習の導入により,CVRを新たな手法でモデル化する。 Tencentビデオのレコメンデーションシステムのトラフィックログから収集されたデータセットの実験は、CVRモデルのスパース共有が競合する手法を大幅に上回ることを示した。
論文参考訳（メタデータ） (2020-08-22T16:48:08Z)
Deep Learning for Content-based Personalized Viewport Prediction of 360-Degree VR Videos [72.08072170033054]
本稿では、位置データとビデオフレームコンテンツを活用して、将来の頭部の動きを予測するためのディープラーニングネットワークを提案する。このニューラルネットワークに入力されるデータを最適化するために、このモデルのために、データサンプル率、データ削減、長期予測長についても検討する。
論文参考訳（メタデータ） (2020-03-01T07:31:50Z)

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。