論文の概要: Towards the Better Ranking Consistency: A Multi-task Learning Framework
for Early Stage Ads Ranking
- arxiv url: http://arxiv.org/abs/2307.11096v1
- Date: Wed, 12 Jul 2023 06:07:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-30 04:25:26.206983
- Title: Towards the Better Ranking Consistency: A Multi-task Learning Framework
for Early Stage Ads Ranking
- Title（参考訳）: ランキングの一貫性向上に向けて: 早期広告ランキングのためのマルチタスク学習フレームワーク
- Authors: Xuewei Wang, Qiang Jin, Shengyu Huang, Min Zhang, Xi Liu, Zhengli
Zhao, Yukun Chen, Zhengyu Zhang, Jiyan Yang, Ellie Wen, Sagar Chordia, Wenlin
Chen, Qin Huang
- Abstract要約: 広告ランキングシステムを検索,早期,最終段階に分割することは,大規模広告推薦において一般的な方法である。
本稿では,複数の最終段階ランキングコンポーネントをキャプチャするために,早期ランク付けのためのマルチタスク学習フレームワークを提案する。
我々のフレームワークは、クリックスルーレート(CTR)、コンバージョンレート(CVR)、総価値、広告品質の向上を実現している。
- 参考スコア（独自算出の注目度）: 22.724834069938076
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dividing ads ranking system into retrieval, early, and final stages is a
common practice in large scale ads recommendation to balance the efficiency and
accuracy. The early stage ranking often uses efficient models to generate
candidates out of a set of retrieved ads. The candidates are then fed into a
more computationally intensive but accurate final stage ranking system to
produce the final ads recommendation. As the early and final stage ranking use
different features and model architectures because of system constraints, a
serious ranking consistency issue arises where the early stage has a low ads
recall, i.e., top ads in the final stage are ranked low in the early stage. In
order to pass better ads from the early to the final stage ranking, we propose
a multi-task learning framework for early stage ranking to capture multiple
final stage ranking components (i.e. ads clicks and ads quality events) and
their task relations. With our multi-task learning framework, we can not only
achieve serving cost saving from the model consolidation, but also improve the
ads recall and ranking consistency. In the online A/B testing, our framework
achieves significantly higher click-through rate (CTR), conversion rate (CVR),
total value and better ads-quality (e.g. reduced ads cross-out rate) in a large
scale industrial ads ranking system.
- Abstract（参考訳）: 広告ランキングシステムを検索,早期,最終段階に分割することは,効率と精度のバランスをとるため,大規模広告推薦において一般的な方法である。
アーリーステージランキングは、しばしば効率の良いモデルを使用して、検索された広告から候補を生成する。
その後、候補者はより計算集約的だが正確な最終段階ランキングシステムに入力され、最終的な広告推薦が作成される。
初期段階と最終段階のランキングはシステムの制約のために異なる特徴とモデルアーキテクチャを使用するため、早期段階が低い広告リコール、すなわち最終段階のトップ広告が早い段階に低いランクでランク付けされるような、深刻なランキング一貫性の問題が発生する。
最終段階から最終段階までの優れた広告を配信するために,複数の最終段階ランキングコンポーネント(広告クリックや広告品質イベント)とそのタスクの関係をキャプチャする,早期段階ランキングのためのマルチタスク学習フレームワークを提案する。
マルチタスク学習フレームワークでは,モデル統合によるコスト削減を実現するだけでなく,広告のリコールやランキングの一貫性も向上しています。
オンラインa/bテストでは,大規模産業広告ランキングシステムにおいて,クリックスルー率(ctr),コンバージョン率(cvr),総価値,広告品質(広告クロスアウト率の低減など)が有意に向上した。
関連論文リスト
- MOBIUS: Towards the Next Generation of Query-Ad Matching in Baidu's Sponsored Search [27.752810150893552]
Mobiusプロジェクトは、クエリ-ad関連性に加えて、CPMをさらなる最適化目標として考えるために、マッチングレイヤをトレーニングすることを目的としている。
本稿では、マッチング層におけるクリック履歴の欠如を克服するために、アクティブラーニングをどのように導入するかについて詳述する。
次世代クエリ-アドマッチングシステムの最初のバージョンとしてMobius-V1にソリューションをコントリビュートする。
論文 参考訳（メタデータ） (2024-09-05T11:56:40Z) - AGRaME: Any-Granularity Ranking with Multi-Vector Embeddings [53.78802457488845]
我々は,多ベクトル埋め込みを利用して粒度の異なるレベルにランク付けする,任意の粒度ランキングの考え方を紹介した。
検索強化世代におけるポストホック励振付加への命題レベルのランク付けの適用を実証する。
論文 参考訳（メタデータ） (2024-05-23T20:04:54Z) - Optimizing E-commerce Search: Toward a Generalizable and Rank-Consistent Pre-Ranking Model [13.573766789458118]
大規模なeコマースプラットフォームでは、ダウンストリームランキングモジュールのために、前もって製品の大部分をフィルタリングするために、プレグレードフェーズが不可欠である。
1) 製品がトップk内にあるかどうかを予測する複数のバイナリ分類タスクを導入し、共通のポイントワイドランキングモデルでの学習目標の追加を容易にする。2) 製品埋め込みのサブセットを事前トレーニングすることで、すべての製品に対するコントラスト学習による一般化性。
論文 参考訳（メタデータ） (2024-05-09T07:55:52Z) - Full Stage Learning to Rank: A Unified Framework for Multi-Stage Systems [40.199257203898846]
我々は,多段階システム,すなわちGPRP(Generalized Probability Ranking Principle)のための改良されたランキング原理を提案する。
GPRPは、システムパイプラインの各ステージにおける選択バイアスと、ユーザの基本的な関心の両方を強調している。
我々の中核的な考え方は、まず次の段階における選択バイアスを推定し、次に下流モジュールの選択バイアスに最もよく適合するランキングモデルを学ぶことである。
論文 参考訳（メタデータ） (2024-05-08T06:35:04Z) - Learning Fair Ranking Policies via Differentiable Optimization of
Ordered Weighted Averages [55.04219793298687]
本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。
特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
論文 参考訳（メタデータ） (2024-02-07T20:53:53Z) - COPR: Consistency-Oriented Pre-Ranking for Online Advertising [27.28920707332434]
オンライン広告のための一貫性指向のプレグレードフレームワークを提案する。
チャンクベースのサンプリングモジュールとプラグアンドプレイのランクアライメントモジュールを使用して、ECPMでランク付けされた結果の一貫性を明示的に最適化する。
Taobaoのディスプレイ広告システムに展開すると、最大で+12.3%のCTRと+5.6%のRPMを実現している。
論文 参考訳（メタデータ） (2023-06-06T09:08:40Z) - PEAR: Personalized Re-ranking with Contextualized Transformer for
Recommendation [48.17295872384401]
文脈変換器に基づくパーソナライズされた再ランクモデル(Dubbed PEAR)を提案する。
PEARは、既存のメソッドに対していくつかの大きな改善を行っている。
また、ランキングリスト全体のユーザの満足度を評価するために、リストレベルの分類タスクでPEARのトレーニングを強化する。
論文 参考訳（メタデータ） (2022-03-23T08:29:46Z) - Auditing for Discrimination in Algorithms Delivering Job Ads [70.02478301291264]
我々は,求人広告配信における識別アルゴリズムのブラックボックス監査のための新しい手法を開発した。
最初のコントリビューションは、性別や人種などの保護されたカテゴリーによる、広告配信における歪の区別です。
第2に,他の要因と資格の違いによって説明可能なスクリューを区別する監査手法を開発する。
第3に、提案手法を求人広告のための2つの主要なターゲット広告プラットフォーム、FacebookとLinkedInに適用する。
論文 参考訳（メタデータ） (2021-04-09T17:38:36Z) - Fairness Through Regularization for Learning to Rank [33.52974791836553]
本稿では,二項分類から文脈のランク付けのための学習への多くの公平性の概念の伝達方法を示す。
我々の形式主義は、証明可能な一般化保証を伴う公正目標を組み込む方法の設計を可能にする。
論文 参考訳（メタデータ） (2021-02-11T13:29:08Z) - A novel auction system for selecting advertisements in Real-Time bidding [68.8204255655161]
リアルタイム入札(Real-Time Bidding)は、インターネット広告システムで、近年非常に人気を集めている。
本稿では、経済的な側面だけでなく、広告システムの機能にかかわる他の要因も考慮した、新たなアプローチによる代替ベッティングシステムを提案する。
論文 参考訳（メタデータ） (2020-10-22T18:36:41Z) - Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential
Advertising [52.3825928886714]
我々は、動的knapsack問題として、シーケンシャルな広告戦略最適化を定式化する。
理論的に保証された二段階最適化フレームワークを提案し、元の最適化空間の解空間を大幅に削減する。
強化学習の探索効率を向上させるため,効果的な行動空間削減手法も考案した。
論文 参考訳（メタデータ） (2020-06-29T18:50:35Z)
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。