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

• arxiv url: http://arxiv.org/abs/2403.00793v2
• Date: Fri, 5 Jul 2024 18:20:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 02:29:06.909105
• Title: Ads Recommendation in a Collapsed and Entangled World
• Title（参考訳）: 崩壊・絡み合った世界における広告勧告
• 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し、利用可能なソリューションと分析ツールのシリーズを提示する。
• 参考スコア（独自算出の注目度）: 26.01109441515859
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Tencent's ads recommendation system and examine the challenges and practices of learning appropriate recommendation representations. Our study begins by showcasing our approaches to preserving prior knowledge when encoding features of diverse types into embedding representations. We specifically address sequence features, numeric features, and pre-trained embedding features. Subsequently, we delve into two crucial challenges related to feature representation: the dimensional collapse of embeddings and the interest entanglement across different tasks or scenarios. We propose several practical approaches to address these challenges that result in robust and disentangled recommendation representations. We then explore several training techniques to facilitate model optimization, reduce bias, and enhance exploration. Additionally, we introduce three analysis tools that enable us to study feature correlation, dimensional collapse, and interest entanglement. This work builds upon the continuous efforts of Tencent's ads recommendation team over the past decade. It summarizes general design principles and presents a series of readily applicable solutions and analysis tools. The reported performance is based on our online advertising platform, which handles hundreds of billions of requests daily and serves millions of ads to billions of users.
• Abstract（参考訳）: Tencentの広告レコメンデーションシステムを紹介し,適切なレコメンデーション表現を学習する上での課題と実践について検討する。 我々の研究は、様々な種類の特徴を埋め込み表現にエンコードする際の事前知識の保存に対する我々のアプローチを示すことから始まる。 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に対処する。 その後、私たちは特徴表現に関連する2つの重要な課題、埋め込みの次元的崩壊と異なるタスクやシナリオ間の関心の絡み合いについて調べる。 本稿では,これらの課題に対処し,頑健かつ不整合なレコメンデーション表現を実現するための実践的アプローチを提案する。 次に、モデルの最適化を促進し、バイアスを減らし、探索を強化するために、いくつかのトレーニングテクニックを検討します。 さらに,特徴相関,次元崩壊,興味の絡み合いを研究できる分析ツールを3つ導入した。 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し、利用可能なソリューションと分析ツールのシリーズを提示する。 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、毎日何十億ものリクエストを処理し、何十億ものユーザーに対して何百万もの広告を配信している。

関連論文リスト

• Sequential Decision Making with Expert Demonstrations under Unobserved Heterogeneity [22.0059059325909]
  本研究では,未観測の文脈情報に基づいて意思決定を行った専門家による補助的な実演を行い,オンライン上での逐次意思決定の課題について検討する。 この設定は、自動運転車、ヘルスケア、金融など、多くのアプリケーション領域で発生します。 本稿では,非パラメトリックな経験的ベイズ手法であるExpers-as-Priorsアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-10T18:00:17Z)
• 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)
• PLAR: Prompt Learning for Action Recognition [56.57236976757388]
  我々は,行動認識のためのプロンプト学習(PLAR)という新しい一般学習手法を提案する。 提案手法は,モデルが入力ビデオのアクションに関連する記述や指示に焦点を合わせることで,アクションラベルを予測できるように設計されている。 我々は,空中マルチエージェントデータセットOkutamamの3.110-7.2%の精度向上と地上カメラ単一エージェントデータセットSomesome V2の1.0-3.6%の改善を観察した。
  論文  参考訳（メタデータ） (2023-05-21T11:51:09Z)
• 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)
• 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)

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。