論文の概要: A Click-Through Rate Prediction Method Based on Cross-Importance of Multi-Order Features

• arxiv url: http://arxiv.org/abs/2405.08852v1
• Date: Tue, 14 May 2024 16:05:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-16 15:15:00.910138
• Title: A Click-Through Rate Prediction Method Based on Cross-Importance of Multi-Order Features
• Title（参考訳）: 多次特徴のクロスインパタンスに基づくクリックスルーレート予測法
• Authors: Hao Wang, Nao Li,
• Abstract要約: 本稿では,FiiNet (Multiple Order Feature Interaction Importance Neural Networks) という新しいモデルを提案する。 モデルはまず選択的なカーネルネットワーク(SKNet)を使用して、マルチオーダーの機能クロスを明示的に構築する。 機能相互作用の組み合わせの重要性をきめ細かな方法で動的に学習する。
• 参考スコア（独自算出の注目度）: 4.820576346277399
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most current click-through rate prediction(CTR)models create explicit or implicit high-order feature crosses through Hadamard product or inner product, with little attention to the importance of feature crossing; only few models are either limited to the second-order explicit feature crossing, implicitly to high-order feature crossing, or can learn the importance of high-order explicit feature crossing but fail to provide good interpretability for the model. This paper proposes a new model, FiiNet (Multiple Order Feature Interaction Importance Neural Networks). The model first uses the selective kernel network (SKNet) to explicitly construct multi-order feature crosses. It dynamically learns the importance of feature interaction combinations in a fine grained manner, increasing the attention weight of important feature cross combinations and reducing the weight of featureless crosses. To verify that the FiiNet model can dynamically learn the importance of feature interaction combinations in a fine-grained manner and improve the model's recommendation performance and interpretability, this paper compares it with many click-through rate prediction models on two real datasets, proving that the FiiNet model incorporating the selective kernel network can effectively improve the recommendation effect and provide better interpretability. FiiNet model implementations are available in PyTorch.
• Abstract（参考訳）: 現行のクリックスルーレート予測(CTR)モデルは、アダマール製品やインナー製品を通して明示的または暗黙的な高次特徴交差を生成するが、機能交差の重要性にはほとんど注意を払わない。 本稿では、新しいモデルFiiNet(Multiple Order Feature Interaction Importance Neural Networks)を提案する。 モデルはまず選択的なカーネルネットワーク(SKNet)を使用して、マルチオーダーの機能クロスを明示的に構築する。 機能的相互作用の組み合わせの重要性をきめ細かな方法で動的に学習し、重要な機能的クロスの組み合わせの注意重みを増し、特徴的クロスの重みを減らします。 本稿では、FiiNetモデルが機能相互作用の組合せの重要性をきめ細かな方法で動的に学習し、モデルの推奨性能と解釈可能性を向上させることを検証するために、2つの実データセット上でのクリックスルーレート予測モデルと比較し、選択されたカーネルネットワークを組み込んだFiiNetモデルが推奨効果を効果的に向上し、より優れた解釈可能性をもたらすことを証明した。 FiiNetモデルの実装はPyTorchで利用可能である。

関連論文リスト

• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Part-Based Models Improve Adversarial Robustness [57.699029966800644]
  人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。 我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。 実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
  論文  参考訳（メタデータ） (2022-09-15T15:41:47Z)
• X2Parser: Cross-Lingual and Cross-Domain Framework for Task-Oriented Compositional Semantic Parsing [51.81533991497547]
  タスク指向コンポジションセマンティックパーシング(TCSP)は複雑なネストされたユーザクエリを処理する。 本報告では,TCSPの変換可能なクロスランガルとクロスドメインを比較した。 本稿では,フラット化意図とスロット表現を別々に予測し,両方の予測タスクをシーケンスラベリング問題にキャストすることを提案する。
  論文  参考訳（メタデータ） (2021-06-07T16:40:05Z)
• DCAP: Deep Cross Attentional Product Network for User Response Prediction [20.17934000984361]
  我々はDCAP(Deep Cross Attentional Product Network)という新しいアーキテクチャを提案する。 DCAPは、高階機能相互作用をベクトルレベルで明示的にモデリングするクロスネットワークの利点を維持します。 提案モデルは容易に実装でき,並行して訓練できる。
  論文  参考訳（メタデータ） (2021-05-18T16:27:20Z)
• XCrossNet: Feature Structure-Oriented Learning for Click-Through Rate Prediction [46.72935114485706]
  提案するExtreme Cross Network(略してXCrossNet)は,高密度かつスパースな特徴相互作用を明示的な方法で学習することを目的としている。 特徴構造指向モデルとしてのXCrossNetは、より表現力のある表現とより正確なCTR予測をもたらす。 Criteo Kaggleデータセットに関する実験的研究は、XCrossNetの効率性と効率の両方に関する最先端のモデルに対する大幅な改善を示しています。
  論文  参考訳（メタデータ） (2021-04-22T07:37:36Z)
• Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
  本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。 構造化されたマルチスケール機能学習と融合。 本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2021-01-08T04:14:29Z)
• AdnFM: An Attentive DenseNet based Factorization Machine for CTR Prediction [11.958336595818267]
  Attentive DenseNet based Factorization Machines (AdnFM) と呼ばれる新しいモデルを提案する。 AdnFMはフィードフォワードニューラルネットワークから隠されたすべての層を暗黙の高次の特徴として使用することにより、より包括的な深い特徴を抽出することができる。 2つの実世界のデータセットにおける実験により、提案モデルがクリックスルーレート予測の性能を効果的に向上できることが示されている。
  論文  参考訳（メタデータ） (2020-12-20T01:00:39Z)
• Feature Interaction based Neural Network for Click-Through Rate Prediction [5.095988654970358]
  本稿では,3次元関係テンソルを用いて特徴相互作用をモデル化可能な特徴相互作用ベースニューラルネットワーク(FINN)を提案する。 我々のディープFINNモデルは、PNNやDeepFMのような最先端のディープモデルよりも優れていることを示す。 また、我々のモデルは、機能相互作用を効果的に学習し、実世界のデータセットでより良いパフォーマンスを達成することができることを示している。
  論文  参考訳（メタデータ） (2020-06-07T03:53:24Z)
• GAMI-Net: An Explainable Neural Network based on Generalized Additive Models with Structured Interactions [5.8010446129208155]
  構造的相互作用を持つ一般化付加モデル(GAMI-Net)に基づく説明可能なニューラルネットワークを提案し,予測精度とモデル解釈可能性とのバランスを良好に追求する。 GAMI-Net(英語版)は、複数の添加物を持つ非絡み合ったフィードフォワードネットワークである。 合成関数と実世界のデータセットの双方に関する数値実験により,提案モデルが優れた解釈性を有することが示された。
  論文  参考訳（メタデータ） (2020-03-16T11:51:38Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。