論文の概要: Entire Chain Uplift Modeling with Context-Enhanced Learning for Intelligent Marketing

• arxiv url: http://arxiv.org/abs/2402.03379v1
• Date: Sun, 4 Feb 2024 03:30:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 18:34:51.810296
• Title: Entire Chain Uplift Modeling with Context-Enhanced Learning for Intelligent Marketing
• Title（参考訳）: インテリジェントマーケティングのためのコンテキスト強化学習によるチェーンアップリフトモデリング
• Authors: Yinqiu Huang, Shuli Wang, Min Gao, Xue Wei, Changhao Li, Chuan Luo, Yinhua Zhu, Xiong Xiao, Yi Luo
• Abstract要約: オンラインマーケティングにおいて不可欠なアップリフトモデリングは、個別処理効果(ITE)を予測することにより、クーポンや割引などの様々な戦略がユーザに与える影響を正確に測定することを目指している。 本稿では,これらの問題に対処するために考案されたコンテキスト強化学習(ECUP)を用いたEntire Chain UPlift法を紹介する。 ECUPは,1)チェーン空間全体にわたるITTの推定にユーザ行動パターンを利用するEntire Chain-Enhanced Networkと,すべての段階にわたるコンテキスト認識を強化するタスク事前情報の統合,2)異なるタスクに対する処理の影響の把握,の2つの主要コンポーネントで構成されている。
• 参考スコア（独自算出の注目度）: 23.18637871568023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uplift modeling, vital in online marketing, seeks to accurately measure the impact of various strategies, such as coupons or discounts, on different users by predicting the Individual Treatment Effect (ITE). In an e-commerce setting, user behavior follows a defined sequential chain, including impression, click, and conversion. Marketing strategies exert varied uplift effects at each stage within this chain, impacting metrics like click-through and conversion rate. Despite its utility, existing research has neglected to consider the inter-task across all stages impacts within a specific treatment and has insufficiently utilized the treatment information, potentially introducing substantial bias into subsequent marketing decisions. We identify these two issues as the chain-bias problem and the treatment-unadaptive problem. This paper introduces the Entire Chain UPlift method with context-enhanced learning (ECUP), devised to tackle these issues. ECUP consists of two primary components: 1) the Entire Chain-Enhanced Network, which utilizes user behavior patterns to estimate ITE throughout the entire chain space, models the various impacts of treatments on each task, and integrates task prior information to enhance context awareness across all stages, capturing the impact of treatment on different tasks, and 2) the Treatment-Enhanced Network, which facilitates fine-grained treatment modeling through bit-level feature interactions, thereby enabling adaptive feature adjustment. Extensive experiments on public and industrial datasets validate ECUPs effectiveness. Moreover, ECUP has been deployed on the Meituan food delivery platform, serving millions of daily active users, with the related dataset released for future research.
• Abstract（参考訳）: オンラインマーケティングにおいて不可欠なアップリフトモデリングは、個別処理効果(ITE)を予測することで、クーポンや割引などの様々な戦略が異なるユーザーに与える影響を正確に測定することを目指している。 eコマース環境では、ユーザー行動はインプレッション、クリック、コンバージョンを含む定義されたシーケンスチェーンに従う。 マーケティング戦略は、クリックスルーやコンバージョン率などの指標に影響を与えるこのチェーンの各ステージにおいて、さまざまな上昇効果をもたらす。 その実用性にもかかわらず、既存の研究は特定の治療の全ての段階におけるタスク間の影響を考慮せず、治療情報を十分に活用しており、その後のマーケティング決定にかなりの偏見をもたらす可能性がある。 これら2つの問題を連鎖バイアス問題と治療不適応問題とみなす。 本稿では,コンテキスト強化学習(ECUP)を用いたEntire Chain UPlift法について述べる。 ECUPは2つの主要コンポーネントから構成される。 1)チェーンエンハンスドネットワーク全体は、ユーザの行動パターンを利用して、チェーン空間全体にわたってiteを推定し、各タスクに対する治療のさまざまな影響をモデル化し、タスク事前情報を統合して、すべてのステージにおけるコンテキスト認識を強化し、さまざまなタスクに対する治療の影響を捉えている。 2) ビットレベルの特徴相互作用によるきめ細かい処理モデリングを容易にし, 適応的な特徴調整を可能にする。 パブリックおよびインダストリアルデータセットに関する大規模な実験はECUPの有効性を検証する。 さらに、ECUPはMeituanフードデリバリープラットフォームにデプロイされ、数百万のデイリーアクティブユーザと、関連するデータセットを将来の研究用にリリースしている。

関連論文リスト

• Multi-Treatment Multi-Task Uplift Modeling for Enhancing User Growth [12.243349396069934]
  マルチタスクシナリオにおける処理効果を推定するために,マルチタスク・マルチタスク(MTMT)アップリフトネットワークを提案する。 MTMTは、タスク毎の自然な応答を測定するために、ユーザの特徴と治療を符号化する。 MTMTは、ユーザエクスペリエンスを改善するために、当社のゲームプラットフォームにデプロイされています。
  論文  参考訳（メタデータ） (2024-08-23T02:44:08Z)
• Learning to Transfer for Evolutionary Multitasking [30.01466615418299]
  進化的マルチタスク(EMT)は、マルチタスク最適化問題(MTOP)を解決するための新しいアプローチである。 暗黙のEMTにおける現在のアプローチは、限られた数の進化演算子を使用するため、適応性の課題に直面している。 本稿では,MTOPの効率的なKTポリシーを自動検出する新しいLearning to Transfer(L2T)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T14:31:24Z)
• Explicit Feature Interaction-aware Uplift Network for Online Marketing [25.325081105648096]
  アップリフトモデリングは、異なる治療が異なるユーザーを動機づける程度を正確に捉えることを目的としています。 本稿では,これらの2つの問題に対処するために,明示的な機能インタラクション対応アップリフトネットワーク(EFIN)を提案する。 我々のEFINは、大規模なオンライン金融プラットフォームのクレジットカード支払いシナリオに展開され、大幅な改善がなされました。
  論文  参考訳（メタデータ） (2023-06-01T03:26:11Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
  本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。 周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。 本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-01-25T12:44:23Z)
• CMA-CLIP: Cross-Modality Attention CLIP for Image-Text Classification [18.78457628409226]
  我々は、CMA-CLIP(Cross-Modality Attention Contrastive Language- Image Pre-training)を提案する。 CMA-CLIPは、画像とテキストのペアから情報を効果的に融合するために、シーケンスワイドアテンションとモーダリティアテンションの2つのタイプのクロスモーダリティアテンションを統一する。 我々は,Major Retail Website Product Attribute(MRWPA)データセットと2つのパブリックデータセットであるFood101とFashion-Genで実験を行った。
  論文  参考訳（メタデータ） (2021-12-07T08:23:42Z)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)
• Cross-modal Consensus Network for Weakly Supervised Temporal Action Localization [74.34699679568818]
  時間的行動局所化 (WS-TAL) は、ビデオレベルの分類的監督によって、ビデオ内のアクションインスタンスをローカライズすることを目的とした課題である。 この問題に対処するためのクロスモーダルコンセンサスネットワーク(CO2-Net)を提案する。
  論文  参考訳（メタデータ） (2021-07-27T04:21:01Z)
• Deep Active Learning with Augmentation-based Consistency Estimation [23.492616938184092]
  本稿では,データ拡張に基づく手法をアクティブな学習シナリオに適用することにより,一般化能力を向上させる手法を提案する。 データの増大に基づく正規化損失については,カットアウト(co)とカットミックス(cm)の戦略を定量的指標として再定義した。 強化型正規化器は,能動学習の訓練段階における性能向上につながる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-11-05T05:22:58Z)
• Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
  本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。 具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。 実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
  論文  参考訳（メタデータ） (2020-04-29T02:32:04Z)
• Cross-modality Person re-identification with Shared-Specific Feature Transfer [112.60513494602337]
  クロスモダリティの人物再識別(cm-ReID)は、インテリジェントビデオ分析において難しいが重要な技術である。 モーダリティ共有型特徴伝達アルゴリズム (cm-SSFT) を提案し, モーダリティ共有型情報とモーダリティ固有特性の両方のポテンシャルについて検討する。
  論文  参考訳（メタデータ） (2020-02-28T00:18:45Z)

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。