論文の概要: Temporal Interest Network for Click-Through Rate Prediction
- arxiv url: http://arxiv.org/abs/2308.08487v1
- Date: Tue, 15 Aug 2023 05:48:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 12:35:48.194873
- Title: Temporal Interest Network for Click-Through Rate Prediction
- Title（参考訳）: クリックスルーレート予測のための時間的関心ネットワーク
- Authors: Haolin Zhou, Junwei Pan, Xinyi Zhou, Xihua Chen, Jie Jiang, Xiaofeng
Gao, Guihai Chen
- Abstract要約: 経験的に四重相関を計測し、直観的だが頑健な四重相関パターンを観察する。
本研究では,行動と対象の時間的相関と4重意味を捉えるための時間的関心ネットワーク(TIN)を提案する。
提案したTINは,2つのデータセットに対して0.43%,0.29%,最高のパフォーマンスのベースラインを上回った。
- 参考スコア（独自算出の注目度）: 35.65596412278289
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The history of user behaviors constitutes one of the most significant
characteristics in predicting the click-through rate (CTR), owing to their
strong semantic and temporal correlation with the target item. While the
literature has individually examined each of these correlations, research has
yet to analyze them in combination, that is, the quadruple correlation of
(behavior semantics, target semantics, behavior temporal, and target temporal).
The effect of this correlation on performance and the extent to which existing
methods learn it remain unknown. To address this gap, we empirically measure
the quadruple correlation and observe intuitive yet robust quadruple patterns.
We measure the learned correlation of several representative user behavior
methods, but to our surprise, none of them learn such a pattern, especially the
temporal one.
In this paper, we propose the Temporal Interest Network (TIN) to capture the
quadruple semantic and temporal correlation between behaviors and the target.
We achieve this by incorporating target-aware temporal encoding, in addition to
semantic embedding, to represent behaviors and the target. Furthermore, we
deploy target-aware attention, along with target-aware representation, to
explicitly conduct the 4-way interaction. We performed comprehensive
evaluations on the Amazon and Alibaba datasets. Our proposed TIN outperforms
the best-performing baselines by 0.43\% and 0.29\% on two datasets,
respectively. Comprehensive analysis and visualization show that TIN is indeed
capable of learning the quadruple correlation effectively, while all existing
methods fail to do so. We provide our implementation of TIN in Tensorflow.
- Abstract（参考訳）: ユーザ行動の歴史は,クリックスルー率(CTR)を予測する上で最も重要な特徴の1つである。
文献はそれぞれの相関関係を個別に検討しているが、研究はこれらの相関関係(行動意味論、標的意味論、行動時間論、対象時間論)を組み合わせて分析していない。
この相関が既存の手法が学習する程度や性能に与える影響はいまだ不明である。
このギャップに対処するために、経験的に四重相関を計測し、直感的で頑健な四重相関パターンを観察する。
いくつかの代表的なユーザ行動手法の学習相関を計測するが、意外なことに、そのようなパターン、特に時間的パターンを学習する者はいない。
本稿では,行動と対象の時間的相関と4重意味を捉えるための時間的関心ネットワーク(TIN)を提案する。
これを実現するために,意味的埋め込みに加えて,対象を意識したテンポラルエンコーディングを組み込んで行動や対象を表現する。
さらに、4方向インタラクションを明示的に行うために、ターゲット対応の注意とターゲット対応の表現を配置する。
AmazonとAlibabaのデータセットで包括的な評価を行いました。
提案したTINは,2つのデータセットでそれぞれ0.43\%,0.29\%の最高性能のベースラインを上回った。
包括的解析と可視化は、TINが4重相関を効果的に学習できることを示したが、既存の手法は全てそうはならなかった。
我々はTensorflowにおけるTINの実装を提供します。
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) - Spuriousness-Aware Meta-Learning for Learning Robust Classifiers [26.544938760265136]
Spurious correlations is brittle associations between certain attribute of inputs and target variables。
深部画像分類器はしばしばそれらを予測に利用し、相関が持たないデータの一般化が不十分になる。
スプリアス相関の影響を緩和することはロバストなモデル一般化に不可欠であるが、しばしばデータ内のスプリアス相関のアノテーションを必要とする。
論文 参考訳（メタデータ） (2024-06-15T21:41:25Z) - Deep Group Interest Modeling of Full Lifelong User Behaviors for CTR Prediction [32.35797628133921]
Deep Group Interest Network (DGIN) は、ユーザーの行動履歴をモデル化するエンド・ツー・エンドの手法である。
DGINグルーピングはO(104)からO(102)までの行動長を著しく減少させる
我々は、生涯の行動シーケンスから、同じ項目_idと候補項目を共有する行動のサブセットを同定する。
論文 参考訳（メタデータ） (2023-11-15T06:36:11Z) - Neighbor Based Enhancement for the Long-Tail Ranking Problem in Video
Rank Models [0.0]
本稿では,対象ユーザや項目の表現のトレーニングを支援する新しい隣人拡張構造を提案する。
有名な公開データセットMovieLens 1Mの実験は、この手法の効率を実証している。
論文 参考訳（メタデータ） (2023-02-16T07:38:51Z) - DisenHCN: Disentangled Hypergraph Convolutional Networks for
Spatiotemporal Activity Prediction [53.76601630407521]
本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。
特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。
次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
論文 参考訳（メタデータ） (2022-08-14T06:51:54Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Learning Self-Modulating Attention in Continuous Time Space with
Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。
提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文 参考訳（メタデータ） (2022-03-30T03:54:11Z) - Dynamic Sequential Graph Learning for Click-Through Rate Prediction [29.756257920214168]
本稿では,ユーザやアイテムに関連付けられたローカルサブグラフからの協調情報を活用することで,ユーザの表現を向上する新しい手法を提案する。
実世界のCTR予測ベンチマークの結果は、DSGLによってもたらされた改善を実証している。
論文 参考訳（メタデータ） (2021-09-26T09:23:43Z) - ConsNet: Learning Consistency Graph for Zero-Shot Human-Object
Interaction Detection [101.56529337489417]
画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。
我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。
提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
論文 参考訳（メタデータ） (2020-08-14T09:11:18Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-07-03T15:37:25Z)
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。