論文の概要: Fragment and Integrate Network (FIN): A Novel Spatial-Temporal Modeling Based on Long Sequential Behavior for Online Food Ordering Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2308.15703v1
• Date: Wed, 30 Aug 2023 01:56:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-31 15:02:46.421838
• Title: Fragment and Integrate Network (FIN): A Novel Spatial-Temporal Modeling Based on Long Sequential Behavior for Online Food Ordering Click-Through Rate Prediction
• Title（参考訳）: fragment and integrated network (fin):オンライン食品注文クリックスルー率予測のための長い時系列行動に基づく新しい空間-時間モデル
• Authors: Jun Li, Jingjian Wang, Hongwei Wang, Xing Deng, Jielong Chen, Bing Cao, Zekun Wang, Guanjie Xu, Ge Zhang, Feng Shi, Hualei Liu
• Abstract要約: フラグメント・アンド・インテグレート・ネットワーク(FIN)と呼ばれる新しい時空間モデリングパラダイムを提案する。 FINは2つのネットワークから構成される: (i) Fragment Network (FN)は、生涯連続行動データから複数のサブシーケンス(MSS)を抽出し、それぞれのMSSをモデル化して、特定の時空間表現をキャプチャする。 2022年以降、FINは中国で最も人気のあるオンライン食品注文プラットフォームであるEle.meのレコメンデーション広告システムに完全に配備されている。
• 参考スコア（独自算出の注目度）: 12.983042607996353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial-temporal information has been proven to be of great significance for click-through rate prediction tasks in online Location-Based Services (LBS), especially in mainstream food ordering platforms such as DoorDash, Uber Eats, Meituan, and Ele.me. Modeling user spatial-temporal preferences with sequential behavior data has become a hot topic in recommendation systems and online advertising. However, most of existing methods either lack the representation of rich spatial-temporal information or only handle user behaviors with limited length, e.g. 100. In this paper, we tackle these problems by designing a new spatial-temporal modeling paradigm named Fragment and Integrate Network (FIN). FIN consists of two networks: (i) Fragment Network (FN) extracts Multiple Sub-Sequences (MSS) from lifelong sequential behavior data, and captures the specific spatial-temporal representation by modeling each MSS respectively. Here both a simplified attention and a complicated attention are adopted to balance the performance gain and resource consumption. (ii) Integrate Network (IN) builds a new integrated sequence by utilizing spatial-temporal interaction on MSS and captures the comprehensive spatial-temporal representation by modeling the integrated sequence with a complicated attention. Both public datasets and production datasets have demonstrated the accuracy and scalability of FIN. Since 2022, FIN has been fully deployed in the recommendation advertising system of Ele.me, one of the most popular online food ordering platforms in China, obtaining 5.7% improvement on Click-Through Rate (CTR) and 7.3% increase on Revenue Per Mille (RPM).
• Abstract（参考訳）: 空間時空間情報は、オンライン位置情報サービス(LBS)におけるクリックスルー率予測タスク、特にDoorDash、Uber Eats、Meituan、Ele.meなどの主要な食品注文プラットフォームにおいて、非常に重要であることが証明されている。 ユーザの空間的嗜好をシーケンシャルな行動データでモデル化することは、レコメンデーションシステムやオンライン広告においてホットな話題となっている。 しかし、既存の手法のほとんどは、リッチな時空間情報の表現を欠いているか、あるいは100のような限られた長さのユーザ動作しか扱っていない。 本稿では,Fragment and Integrate Network (FIN) と呼ばれる新しい時空間モデリングパラダイムを設計することによって,これらの問題を解決する。 FINは2つのネットワークから構成される。 (i)フラグメントネットワーク(FN)は、生涯連続行動データから複数のサブシーケンス(MSS)を抽出し、それぞれのMSSをモデル化して、特定の時空間表現をキャプチャする。 ここでは、性能向上と資源消費のバランスをとるために、簡易な注意と複雑な注意が採用されている。 (II)統合ネットワーク(IN)は、MSS上の空間的時間的相互作用を利用して新たな統合シーケンスを構築し、統合シーケンスを複雑な注意でモデル化することにより、包括的空間的時間的表現をキャプチャする。 パブリックデータセットとプロダクションデータセットの両方が、FINの正確性とスケーラビリティを示している。 2022年以降、FINは中国で最も人気のあるオンライン食品注文プラットフォームであるEle.meのレコメンデーション広告システムに完全に導入され、クリックスルーレート(CTR)が5.7%、収益パーミル(RPM)が7.3%向上した。

関連論文リスト

• SAGDFN: A Scalable Adaptive Graph Diffusion Forecasting Network for Multivariate Time Series Forecasting [19.111041921060366]
  本稿では、複雑な空間的時間的相関を捉えるために、スケーラブルな適応グラフ拡散予測ネットワーク(SAGDFN)を提案する。 SAGDFNは、空間相関に関する事前の知識を必要とせず、数千のノードのデータセットにスケーラブルである。 207ノードの1つの実世界のデータセットで、最先端のベースラインと同等のパフォーマンスを達成し、2000ノードの3つの実世界のデータセットで、最先端のベースラインをかなり上回っている。
  論文  参考訳（メタデータ） (2024-06-18T05:19:51Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data [33.0546525587517]
  RPMixer と呼ばれる全MLP時系列予測アーキテクチャを提案する。 提案手法は,各ブロックがアンサンブルモデルにおいてベース学習者のように振る舞う深層ニューラルネットワークのアンサンブル的挙動に乗じる。
  論文  参考訳（メタデータ） (2024-02-16T07:28:59Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks for Traffic Forecasting [12.568905377581647]
  交通予測は交通科学と人工知能における最も基本的な問題の一つである。 既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。 本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-25T03:37:00Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention Network for Traffic Forecasting [7.232141271583618]
  非効率な時空間継手線形注意(SSTLA)と呼ばれる交通予測のための新しいディープラーニングモデルを提案する。 SSTLAは、全時間ノード間のグローバル依存を効率的に捉えるために、ジョイントグラフに線形注意を適用する。 実世界の2つの交通データセットであるイングランドとテンポラル7の実験は、我々のSTJLAが最先端のベースラインよりも9.83%と3.08%の精度でMAE測定を達成できることを示した。
  論文  参考訳（メタデータ） (2021-12-04T06:39:18Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• ASAP-Net: Attention and Structure Aware Point Cloud Sequence Segmentation [49.15948235059343]
  我々は、ASAPと呼ばれるフレキシブルモジュールにより、ポイントテンポラルクラウド機能をさらに改善する。 我々のASAPモジュールは、フレーム間の比較的情報性の高い局所的特徴を連続的に融合させるために、注意深い時間的埋め込み層を含んでいる。 本稿では、ポイントクラウドシーケンシャルセグメンテーションのための異なる計算バックボーンネットワークを持つASAPモジュールの一般化能力を示す。
  論文  参考訳（メタデータ） (2020-08-12T07:37:16Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。