論文の概要: Ad Recommendation in a Collapsed and Entangled World

• arxiv url: http://arxiv.org/abs/2403.00793v1
• Date: Thu, 22 Feb 2024 22:47:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 00:10:58.811363
• Title: Ad Recommendation in a Collapsed and Entangled World
• Title（参考訳）: 崩壊と絡み合った世界での広告レコメンデーション
• Authors: Junwei Pan, Wei Xue, Ximei Wang, Haibin Yu, Xun Liu, Shijie Quan, Xueming Qiu, Dapeng Liu, Lei Xiao, Jie Jiang
• Abstract要約: この作業は、Tencentの広告レコメンデーションチームの過去10年間の継続的な取り組みに基づいている。 一般的な設計原則を要約するだけでなく、既製のソリューションや分析ツールのシリーズも提示する。
• 参考スコア（独自算出の注目度）: 26.87656632621973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present an industry ad recommendation system, paying attention to the challenges and practices of learning appropriate representations. Our study begins by showcasing our approaches to preserving priors when encoding features of diverse types into embedding representations. Specifically, we address sequence features, numeric features, pre-trained embedding features, as well as sparse ID features. Moreover, we delve into two pivotal challenges associated with feature representation: the dimensional collapse of embeddings and the interest entanglement across various tasks or scenarios. Subsequently, we propose several practical approaches to effectively tackle these two challenges. We then explore several training techniques to facilitate model optimization, reduce bias, and enhance exploration. Furthermore, we introduce three analysis tools that enable us to comprehensively study feature correlation, dimensional collapse, and interest entanglement. This work builds upon the continuous efforts of Tencent's ads recommendation team in the last decade. It not only summarizes general design principles but also presents a series of off-the-shelf solutions and analysis tools. The reported performance is based on our online advertising platform, which handles hundreds of billions of requests daily, serving millions of ads to billions of users.
• Abstract（参考訳）: 本稿では,適切な表現を学習する上での課題と実践に注意を払って,業界広告レコメンデーションシステムを提案する。 本研究は,多様な型の特徴を組込み表現にエンコードする場合の優先度保存へのアプローチを示すことから開始する。 具体的には、シーケンス機能、数値機能、事前訓練された埋め込み機能、スパースID機能に対処する。 さらに,特徴表現に関連する2つの重要な課題を探索する。埋め込みの次元的崩壊と,様々なタスクやシナリオにおける関心の絡み合いである。 次に,これら2つの課題を効果的に解決するための実践的アプローチを提案する。 次に,モデル最適化の促進,バイアス低減,探索の促進を目的として,いくつかのトレーニング手法を検討した。 さらに,特徴相関,次元崩壊,興味の絡み合いを包括的に研究できる3つの解析ツールを提案する。 この作業は、Tencentの広告レコメンデーションチームの過去10年間の継続的な取り組みに基づいている。 一般的な設計原則を要約するだけでなく、既製のソリューションや分析ツールのシリーズも提示する。 報告されたパフォーマンスは、当社のオンライン広告プラットフォームに基づいており、毎日数十億のリクエストを処理し、何百万もの広告を数十億のユーザーに提供する。

関連論文リスト

• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• Robust Representation Learning for Unified Online Top-K Recommendation [39.12191494863331]
  統合されたオンライントップkレコメンデーションのための堅牢な表現学習を提案する。 提案手法は,データフェアネスを保証するため,エンティティ空間における統一モデリングを構築する。 提案手法は実業務シナリオに対応するために,オンラインでのデプロイに成功している。
  論文  参考訳（メタデータ） (2023-10-24T03:42:20Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)
• Accelerating exploration and representation learning with offline pre-training [52.6912479800592]
  1つのオフラインデータセットから2つの異なるモデルを別々に学習することで、探索と表現の学習を改善することができることを示す。 ノイズコントラスト推定と補助報酬モデルを用いて状態表現を学習することで、挑戦的なNetHackベンチマークのサンプル効率を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2023-03-31T18:03:30Z)
• Learning List-wise Representation in Reinforcement Learning for Ads Allocation with Multiple Auxiliary Tasks [14.9065245548275]
  本稿では,Meituanフードデリバリープラットフォーム上でタスク固有の信号を活用することで,より良い表現を学習するための新しいアルゴリズムを提案する。 具体的には,再構築,予測,コントラスト学習に基づく3種類の補助課題を提案する。
  論文  参考訳（メタデータ） (2022-04-02T15:53:37Z)
• Self-Supervised Representation Learning: Introduction, Advances and Challenges [125.38214493654534]
  自己教師付き表現学習手法は、大きな注釈付きデータセットを必要とせずに強力な機能学習を提供することを目的としている。 本稿では、この活気ある領域について、鍵となる概念、アプローチの4つの主要なファミリーと関連する技術の状態、そして、データの多様性に自己監督手法を適用する方法について紹介する。
  論文  参考訳（メタデータ） (2021-10-18T13:51:22Z)
• Recent Advances in Heterogeneous Relation Learning for Recommendation [5.390295867837705]
  異種関係学習に焦点を当てたレコメンデーションフレームワークの開発について概説する。 このタスクの目的は、不均一な関係データを潜在表現空間にマッピングすることである。 本稿では,行列分解,注意機構,グラフニューラルネットワークなど,各カテゴリの学習手法について論じる。
  論文  参考訳（メタデータ） (2021-10-07T13:32:04Z)
• Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
  オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。 InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
  論文  参考訳（メタデータ） (2020-11-04T12:12:25Z)
• Delving into 3D Action Anticipation from Streaming Videos [99.0155538452263]
  アクション予測は、部分的な観察でアクションを認識することを目的としている。 本稿では,いくつかの相補的評価指標を導入し,フレームワイド動作分類に基づく基本モデルを提案する。 また,全動作表現とクラス非依存行動ラベルという2つの側面から補助情報を取り入れたマルチタスク学習戦略についても検討する。
  論文  参考訳（メタデータ） (2019-06-15T10:30:29Z)

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。