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
- 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) - Multi-Scale Spatial-Temporal Recurrent Networks for Traffic Flow
Prediction [13.426775574655135]
交通流予測のためのマルチスケール時空間リカレントネットワーク(MSSTRN)を提案する。
本研究では,適応的な位置グラフの畳み込みを自己認識機構に統合し,空間的時間的依存関係の同時捕捉を実現する空間的時間的同期的注意機構を提案する。
本モデルは,全20基準法と比較して,非自明なマージンで最高の予測精度を実現する。
論文 参考訳(メタデータ) (2023-10-12T08:52:36Z) - ESGCN: Edge Squeeze Attention Graph Convolutional Network for Traffic
Flow Forecasting [15.475463516901938]
本稿では,複数の地域でのトラフィックフローを予測するネットワークエッジ・スキーズ・コンボリューション・ネットワーク(ESCN)を提案する。
ESGCNは、4つの現実世界のデータセットに対して大きなマージンで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-07-03T04:47:42Z) - 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) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - 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。