論文の概要: CSPM: A Contrastive Spatiotemporal Preference Model for CTR Prediction in On-Demand Food Delivery Services

• arxiv url: http://arxiv.org/abs/2308.08446v1
• Date: Thu, 10 Aug 2023 19:53:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-20 16:19:55.440783
• Title: CSPM: A Contrastive Spatiotemporal Preference Model for CTR Prediction in On-Demand Food Delivery Services
• Title（参考訳）: CSPM:オンデマンド食品配送サービスにおけるCTR予測のためのコントラスト時空間予測モデル
• Authors: Guyu Jiang, Xiaoyun Li, Rongrong Jing, Ruoqi Zhao, Xingliang Ni, Guodong Cao, Ning Hu
• Abstract要約: 本稿では、コントラスト時間表現学習(CSRL)、時間表現抽出器(CSRPE)、時間情報フィルタ(StIF)を紹介する。 StIFは、SARをゲーティングネットワークに組み込んで、遅延時間効果で重要な特徴を自動的にキャプチャする。 CSPM はAlibaba のオンライン OFD プラットフォーム Ele.me にデプロイされ、その結果 CTR は0.88% 上昇し、ビジネス上の重大な意味を持つ。
• 参考スコア（独自算出の注目度）: 17.46228008447778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Click-through rate (CTR) prediction is a crucial task in the context of an online on-demand food delivery (OFD) platform for precisely estimating the probability of a user clicking on food items. Unlike universal e-commerce platforms such as Taobao and Amazon, user behaviors and interests on the OFD platform are more location and time-sensitive due to limited delivery ranges and regional commodity supplies. However, existing CTR prediction algorithms in OFD scenarios concentrate on capturing interest from historical behavior sequences, which fails to effectively model the complex spatiotemporal information within features, leading to poor performance. To address this challenge, this paper introduces the Contrastive Sres under different search states using three modules: contrastive spatiotemporal representation learning (CSRL), spatiotemporal preference extractor (StPE), and spatiotemporal information filter (StIF). CSRL utilizes a contrastive learning framework to generate a spatiotemporal activation representation (SAR) for the search action. StPE employs SAR to activate users' diverse preferences related to location and time from the historical behavior sequence field, using a multi-head attention mechanism. StIF incorporates SAR into a gating network to automatically capture important features with latent spatiotemporal effects. Extensive experiments conducted on two large-scale industrial datasets demonstrate the state-of-the-art performance of CSPM. Notably, CSPM has been successfully deployed in Alibaba's online OFD platform Ele.me, resulting in a significant 0.88% lift in CTR, which has substantial business implications.
• Abstract（参考訳）: クリックスルー率(ctr)の予測は、ユーザーが食品をクリックする確率を正確に推定するオンラインオンデマンドフードデリバリー(ofd)プラットフォームのコンテキストにおいて重要なタスクである。 TaobaoやAmazonのようなユニバーサルなeコマースプラットフォームとは異なり、ユーザ行動やOFDプラットフォームへの関心は、限定的な配送範囲と地域商品供給のために、より場所と時間に敏感である。 しかし、OFDシナリオにおける既存のCTR予測アルゴリズムは、歴史的行動系列からの関心を捉えることに集中しており、機能内の複雑な時空間情報を効果的にモデル化することができず、性能が低下する。 そこで本稿では,異なる探索条件下でのコントラストsreについて,コントラスト時空間表現学習(csrl),時空間嗜好抽出器(stpe),時空間情報フィルタ(stif)の3つのモジュールを用いて紹介する。 CSRLは、コントラスト学習フレームワークを使用して、検索アクションのための時空間アクティベーション表現(SAR)を生成する。 StPEはSARを使用して、複数ヘッドアテンション機構を使用して、歴史的行動シーケンスフィールドから位置と時間に関連するユーザの多様な好みを活性化する。 StIFは、SARをゲーティングネットワークに組み込んで、潜時効果のある重要な特徴を自動的にキャプチャする。 2つの大規模産業データセットで実施された大規模な実験は、CSPMの最先端性能を示している。 特に、CSPMはAlibabaのオンラインOFDプラットフォームであるEle.meでうまくデプロイされ、CTRで0.88%の昇給が達成され、ビジネス上大きな意味を持つ。

関連論文リスト

• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• STTM: A New Approach Based Spatial-Temporal Transformer And Memory Network For Real-time Pressure Signal In On-demand Food Delivery [3.6848908743517077]
  本稿では,オンデマンド食品配送サービスにおけるリアルタイム圧力信号(RPS)の予測手法を提案する。 時空間と時空間をまたいだロジスティクス特徴を学習するために,新しい時空間変圧器構造を用いる。 実世界のデータセットの実験結果から、STTMはオフライン実験とオンラインA/Bテストの両方において、従来の手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-09-29T06:20:42Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• TSTEM: A Cognitive Platform for Collecting Cyber Threat Intelligence in the Wild [0.06597195879147556]
  オープンソースからサイバー脅威情報(CTI)を抽出することは、急速に拡大する防衛戦略である。 従来の研究では、抽出プロセスの個々のコンポーネントの改善に焦点が当てられていた。 コミュニティには、ストリーミングCTIデータパイプラインを野放しに展開するオープンソースプラットフォームがない。
  論文  参考訳（メタデータ） (2024-02-15T14:29:21Z)
• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation [28.29435760797856]
  本稿では,TIRシナリオにおけるクリックスルーレート予測のための新しい手法であるDeep Evolutional Instant Interest Network (DEI2N)を提案する。 我々は,ユーザがスクロールダウンした場合の瞬間的関心の強度の動的変化を予測するために,ユーザインスタント・関心モデリング・レイヤを設計する。 オフラインおよび実世界の産業データセットを用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-15T15:27:24Z)
• 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)
• DELTA: Dynamic Embedding Learning with Truncated Conscious Attention for CTR Prediction [61.68415731896613]
  CTR(Click-Through Rate)予測は、製品とコンテンツの推奨において重要なタスクである。 本稿では,CTR予測のための動的埋め込み学習を実現するモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-03T12:34:45Z)
• Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
  本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。 周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。 本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-01-25T12:44:23Z)
• Deep Time-Stream Framework for Click-Through Rate Prediction by Tracking Interest Evolution [33.090918958117946]
  我々は,CTRモデルにおけるユーザ関心傾向を,豊富な歴史的行動から追跡するために,継続時間情報を検討する必要があると論じている。 通常の微分方程式(ODE)による時間情報を提供する新しい時間ストリームフレームワーク(DTS)を提案する。 DTSは、ニューラルネットワークを使用して関心の進化を継続的にモデル化し、ユーザの関心を動的に表現する課題に取り組むことができる。
  論文  参考訳（メタデータ） (2020-01-08T10:33:23Z)

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。