論文の概要: Unbiased Filtering Of Accidental Clicks in Verizon Media Native Advertising

• arxiv url: http://arxiv.org/abs/2312.05017v1
• Date: Fri, 8 Dec 2023 12:54:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 15:13:45.617289
• Title: Unbiased Filtering Of Accidental Clicks in Verizon Media Native Advertising
• Title（参考訳）: Verizon Mediaネイティブ広告におけるアクシデントクリックの不正なフィルタリング
• Authors: Yohay Kaplan and Naama Krasne and Alex Shtoff and Oren Somekh
• Abstract要約: 我々は、クリックのいくつかが短寿命であることに気付いた場合、クリックスルー率(CTR)を予測することの課題に焦点を当てる。 偶然クリックすると、ユーザーと広告の間に親和性はほとんどなく、類似ユーザーが広告をクリックすると予測するのは不正確だ。 本稿では,偶発クリックの発生確率に基づいて,偶発クリックの正の重みを全ての負の事象(スキップ)に分配する手法を提案する。
• 参考スコア（独自算出の注目度）: 1.6717433307723157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Verizon Media (VZM) native advertising is one of VZM largest and fastest growing businesses, reaching a run-rate of several hundred million USDs in the past year. Driving the VZM native models that are used to predict event probabilities, such as click and conversion probabilities, is OFFSET - a feature enhanced collaborative-filtering based event-prediction algorithm. In this work we focus on the challenge of predicting click-through rates (CTR) when we are aware that some of the clicks have short dwell-time and are defined as accidental clicks. An accidental click implies little affinity between the user and the ad, so predicting that similar users will click on the ad is inaccurate. Therefore, it may be beneficial to remove clicks with dwell-time lower than a predefined threshold from the training set. However, we cannot ignore these positive events, as filtering these will cause the model to under predict. Previous approaches have tried to apply filtering and then adding corrective biases to the CTR predictions, but did not yield revenue lifts and therefore were not adopted. In this work, we present a new approach where the positive weight of the accidental clicks is distributed among all of the negative events (skips), based on their likelihood of causing accidental clicks, as predicted by an auxiliary model. These likelihoods are taken as the correct labels of the negative events, shifting our training from using only binary labels and adopting a binary cross-entropy loss function in our training process. After showing offline performance improvements, the modified model was tested online serving VZM native users, and provided 1.18% revenue lift over the production model which is agnostic to accidental clicks.
• Abstract（参考訳）: Verizon Media(VZM)のネイティブ広告はVZM最大の急成長企業の一つで、過去1年間に数億USドルを突破した。 クリックや変換の確率などのイベント確率を予測するために使用されるVZMネイティブモデルを駆動するのは、OFFSETである。 本研究では,一部のクリックが短寿命であり,偶発的なクリックと定義されていることを認識した場合に,クリックスルー率(CTR)を予測することの課題に焦点を当てる。 偶然クリックすると、ユーザーと広告の間に親和性はほとんどなく、類似ユーザーが広告をクリックすると予測するのは不正確だ。 したがって、トレーニングセットから予め定義されたしきい値よりも低速でクリックを削除することは有益である。 しかし、これらをフィルタリングすることでモデルが予測不能になるため、これらのポジティブな事象を無視することはできない。 従来のアプローチでは、フィルタリングを適用してCTR予測に修正バイアスを追加しようとしたが、収益を上げず、採用されなかった。 本研究では,事故クリックの発生確率に基づいて,事故クリックの正の重みをすべての負の事象(スキップ)に分散させる新しい手法を提案する。 これらの確率は、負の事象の正しいラベルとして捉えられ、トレーニングはバイナリラベルのみの使用から、トレーニングプロセスにバイナリクロスエントロピー損失関数を採用するようになる。 オフラインのパフォーマンス改善を示すと、修正されたモデルはVZMネイティブユーザー向けにオンラインでテストされ、偶然のクリックに依存しない生産モデルに対して1.18%の収益を上げている。

関連論文リスト

• Enhancing Zero-Shot Vision Models by Label-Free Prompt Distribution Learning and Bias Correcting [55.361337202198925]
  CLIPのようなヴィジュアル言語モデルは、適切なテキスト記述を使用する際に、顕著な一般化能力を示している。 本稿では,ラベル付きデータを必要としないゼロショット性能を向上する,**Frolic**と呼ばれるラベルフリーな分布学習とバイアス補正フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-25T04:00:45Z)
• Improved Online Learning Algorithms for CTR Prediction in Ad Auctions [8.2536631346421]
  広告オークションにおける収益のオンライン学習問題について検討する。 広告主の戦略的行動の2つのモデルに焦点を当てる。 我々は,高信頼度境界に基づくオンラインメカニズムを開発し,O(sqrtT)$後悔の度合いを実現する。
  論文  参考訳（メタデータ） (2024-02-29T14:10:26Z)
• Improving conversion rate prediction via self-supervised pre-training in online advertising [2.447795279790662]
  変換-ギブン-クリックを予測するモデルのトレーニングにおける重要な課題は、データの疎性にある。 我々は、自己教師付き事前学習というよく知られたアイデアを使用し、すべての変換イベントに基づいて訓練された補助的オートエンコーダモデルを使用する。 オフラインでも、トレーニング中でも、オンラインA/Bテストでも改善が見られます。
  論文  参考訳（メタデータ） (2024-01-25T08:44:22Z)
• Soft Frequency Capping for Improved Ad Click Prediction in Yahoo Gemini Native [1.9315883475944244]
  Yahooのネイティブ広告(Gemini Nativeとも呼ばれる)は毎日何十億もの広告インプレッションを提供しており、年間1億米ドルのランレートに達している。 Offsetは、勾配降下(SGD)ベースのアプローチを使用して、新しいログデータのバッチ毎にモデルを更新するワンパスアルゴリズムである。 ユーザアド機能として周波数特徴をOFFSETモデルに組み込んだソフト周波数キャッピング(SFC)手法を提案し,その重みベクトルはロジスティック回帰により学習する。
  論文  参考訳（メタデータ） (2023-12-08T14:12:49Z)
• 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)
• Rec4Ad: A Free Lunch to Mitigate Sample Selection Bias for Ads CTR Prediction in Taobao [24.43583745735832]
  広告CTRモデルのサンプル選択バイアスを軽減するために,フリーランチとしてレコメンデーションサンプルを活用することを提案する(Rec4Ad)。 Rec4Adは、最大5.6%のCTRと+2.9%のRPMを持ち、主要なビジネス指標でかなりの利益を得ている。
  論文  参考訳（メタデータ） (2023-06-06T09:22:52Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• 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)
• Scalar is Not Enough: Vectorization-based Unbiased Learning to Rank [29.934700345584726]
  ランク付けのバイアスのない学習は、バイアスのあるユーザのクリックログからバイアスのないランク付けモデルをトレーニングすることを目的としている。 現在のULTR法のほとんどは、クリック確率を2つのスカラー関数に分解できると仮定する試験仮説(EH)に基づいている。 ベクトルベースのEHを提案し、クリック確率を2つのベクトル関数のドット積として定式化する。
  論文  参考訳（メタデータ） (2022-06-03T17:23:25Z)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• Almost Tight L0-norm Certified Robustness of Top-k Predictions against Adversarial Perturbations [78.23408201652984]
  トップk予測は、マシンラーニング・アズ・ア・サービス、レコメンダ・システム、Web検索など、多くの現実世界のアプリケーションで使用されている。 我々の研究はランダム化平滑化に基づいており、入力をランダム化することで、証明可能なロバストな分類器を構築する。 例えば、攻撃者がテスト画像の5ピクセルを任意に摂動できる場合に、ImageNet上で69.2%の認定トップ3精度を達成する分類器を構築することができる。
  論文  参考訳（メタデータ） (2020-11-15T21:34:44Z)

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。