論文の概要: AdaptEx: A Self-Service Contextual Bandit Platform
- arxiv url: http://arxiv.org/abs/2308.08650v1
- Date: Tue, 8 Aug 2023 16:32:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-27 05:16:13.717640
- Title: AdaptEx: A Self-Service Contextual Bandit Platform
- Title(参考訳): AdaptEx: セルフサービスのコンテキストバンドプラットフォーム
- Authors: William Black, Ercument Ilhan, Andrea Marchini and Vilda Markeviciute
- Abstract要約: AdaptExは、Expedia Groupで広く使われているセルフサービスコンテキストのバンディットプラットフォームである。
マルチアームのバンディットアルゴリズムを使って、大規模なユーザー体験をパーソナライズする。
従来のテストメソッドに関連するコストと時間を最小化しながら、ユーザエクスペリエンスを改善するための強力なソリューションを提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper presents AdaptEx, a self-service contextual bandit platform widely
used at Expedia Group, that leverages multi-armed bandit algorithms to
personalize user experiences at scale. AdaptEx considers the unique context of
each visitor to select the optimal variants and learns quickly from every
interaction they make. It offers a powerful solution to improve user
experiences while minimizing the costs and time associated with traditional
testing methods. The platform unlocks the ability to iterate towards optimal
product solutions quickly, even in ever-changing content and continuous "cold
start" situations gracefully.
- Abstract(参考訳): 本稿では,Expedia Groupで広く利用されているセルフサービスコンテキスト型バンディットプラットフォームであるAdaptExについて述べる。
AdaptExは、各訪問者のユニークなコンテキストを考慮し、最適なバリエーションを選択し、それらが行うすべてのインタラクションから素早く学習する。
従来のテストメソッドに関連するコストと時間を最小化しながら、ユーザエクスペリエンスを改善する強力なソリューションを提供する。
このプラットフォームは、常に変化するコンテンツや継続的な"コールドスタート"状況でも、最適な製品ソリューションへのイテレーションを迅速に行うことができる。
関連論文リスト
- Learning from Offline and Online Experiences: A Hybrid Adaptive Operator Selection Framework [2.148882675821217]
本稿では,オフライン体験とオンライン体験を効果的に組み合わせることに焦点を当てる。
探索演算子を動的かつ適応的に選択する新しいハイブリッドフレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-16T03:08:02Z) - Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond [87.1712108247199]
我々の目標は、マルチモーダルパーソナライゼーションシステム(UniMP)のための統一パラダイムを確立することである。
我々は、幅広いパーソナライズされたニーズに対処できる汎用的でパーソナライズされた生成フレームワークを開発する。
我々の手法は、パーソナライズされたタスクのための基礎言語モデルの能力を高める。
論文 参考訳(メタデータ) (2024-03-15T20:21:31Z) - Looping in the Human Collaborative and Explainable Bayesian Optimization [20.924024110478243]
我々は,協調的・説明可能なベイズ最適化フレームワークと,よりバランスのとれた人間-AIパートナーシップを提案する。
ユーザが知識モデルを提供することを明示的に要求する代わりに、CoExBOでは、最適化に対する人間の洞察をシームレスに統合するために、好みの学習を採用している。
リチウムイオン電池設計における人間-AI実験によるCoExBOの有効性を検証する。
論文 参考訳(メタデータ) (2023-10-26T09:50:31Z) - Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。
LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。
ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
論文 参考訳(メタデータ) (2023-04-09T14:52:18Z) - TEMPERA: Test-Time Prompting via Reinforcement Learning [57.48657629588436]
強化学習(TEMPERA)を用いたテスト時間プロンプト編集を提案する。
従来のプロンプト生成手法とは対照的に、TEMPERAは事前知識を効率的に活用することができる。
本手法は従来の微調整法と比較して試料効率の平均改善率を5.33倍に向上させる。
論文 参考訳(メタデータ) (2022-11-21T22:38:20Z) - The Challenge of Understanding What Users Want: Inconsistent Preferences
and Engagement Optimization [2.690930520747925]
我々は、ユーザーが不整合な嗜好を持つメディア消費のモデルを開発する。
本稿では,ユーザの嗜好不整合モデルが日常体験に慣れ親しんだ現象をいかに生み出すかを示す。
論文 参考訳(メタデータ) (2022-02-23T20:45:31Z) - Adaptive Summaries: A Personalized Concept-based Summarization Approach
by Learning from Users' Feedback [0.0]
本稿では,アダプティブ・サマリー(Adaptive Summaries)と呼ばれるインタラクティブな概念に基づく要約モデルを提案する。
本システムは,反復ループでフィードバックを与えることで,システムと対話しながら,ユーザの提供した情報から徐々に学習する。
生成したサマリーでユーザ好みのコンテンツを最大化することで、ユーザの好みに基づいた高品質なサマリー作成を支援する。
論文 参考訳(メタデータ) (2020-12-24T18:27:50Z) - Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users'
Feedback [62.997667081978825]
本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。
ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
論文 参考訳(メタデータ) (2020-09-16T07:32:51Z) - Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文 参考訳(メタデータ) (2020-05-23T08:56:37Z) - Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。
本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。
複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
論文 参考訳(メタデータ) (2020-05-09T16:02:52Z) - Machine Translation System Selection from Bandit Feedback [16.628621430608977]
実世界における機械翻訳システムへの適応は難しい問題である。
異なるアーキテクチャ、データセット、最適化手法を用いて、多くの翻訳システムを訓練する。
提案手法は,(1)翻訳タスクにおけるドメイン変更に迅速に対応できること,(2)混合ドメイン翻訳タスクにおいて単一最良システムより優れていること,(3)インスタンス固有決定を効果的に行うこと,などを示す。
論文 参考訳(メタデータ) (2020-02-22T06:54:04Z)
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。