Fugu-MT 論文翻訳(概要): Predict Click-Through Rates with Deep Interest Network Model in E-commerce Advertising

論文の概要: Predict Click-Through Rates with Deep Interest Network Model in E-commerce Advertising

arxiv url: http://arxiv.org/abs/2406.10239v1
Date: Tue, 4 Jun 2024 05:52:14 GMT
ステータス: 処理完了
システム内更新日: 2024-06-23 13:35:51.785838
Title: Predict Click-Through Rates with Deep Interest Network Model in E-commerce Advertising
Title（参考訳）: 電子商取引広告における深い関心ネットワークモデルによるクリックスルー率の予測
Authors: Chang Zhou, Yang Zhao, Yuelin Zou, Jin Cao, Wenhan Fan, Yi Zhao, Chiyu Cheng,
Abstract要約: 本稿では,Deep Interest Network(DIN)モデルを用いて,クリックスルー率(CTR)予測モデルを改善する手法を提案する。本研究では, 広範囲なユーザ行動データを活用することで, 広告ターゲティングのための局所的ユーザ行動アクティベーションに焦点を当てた。
参考スコア（独自算出の注目度）: 36.61520168259678
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes new methods to enhance click-through rate (CTR) prediction models using the Deep Interest Network (DIN) model, specifically applied to the advertising system of Alibaba's Taobao platform. Unlike traditional deep learning approaches, this research focuses on localized user behavior activation for tailored ad targeting by leveraging extensive user behavior data. Compared to traditional models, this method demonstrates superior ability to handle diverse and dynamic user data, thereby improving the efficiency of ad systems and increasing revenue.
Abstract（参考訳）: 本稿では,Alibaba の Taobao プラットフォームの広告システムに特化して,Deep Interest Network (DIN) モデルを用いてクリックスルー率(CTR)予測モデルを改善する手法を提案する。従来のディープラーニング手法とは異なり、この研究は、広範囲なユーザー行動データを活用することで、カスタマイズされた広告ターゲティングのための局所的なユーザー行動活性化に焦点を当てている。従来のモデルと比較して,この手法は多様な動的ユーザデータを扱う能力に優れており,広告システムの効率性の向上と収益の増大を図っている。

関連論文リスト

An accuracy improving method for advertising click through rate prediction based on enhanced xDeepFM model [0.0]
本稿では,xDeepFMアーキテクチャに基づく改良型CTR予測モデルを提案する。マルチヘッド・アテンション・メカニズムを統合することで、モデルは機能相互作用の異なる側面に同時に焦点を合わせることができる。 Criteoデータセットの実験結果は、提案モデルが他の最先端手法よりも優れていることを示している。
論文参考訳（メタデータ） (2024-11-21T03:21:29Z)
A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
論文参考訳（メタデータ） (2024-11-20T20:38:56Z)
Knowledge Editing in Language Models via Adapted Direct Preference Optimization [50.616875565173274]
大きな言語モデル(LLM)は、時間とともに時代遅れになる可能性がある。知識編集は、高価なリトレーニングを必要としないウェイトアップデートを使用して、この課題を克服することを目的としている。
論文参考訳（メタデータ） (2024-06-14T11:02:21Z)
Optimizing Search Advertising Strategies: Integrating Reinforcement Learning with Generalized Second-Price Auctions for Enhanced Ad Ranking and Bidding [36.74368014856906]
本稿では,多様なユーザインタラクションに適応し,広告主のコスト,ユーザ関連性,プラットフォーム収益のバランスを最適化するモデルを提案する。提案手法は,広告の配置精度とコスト効率を大幅に向上させ,実際のシナリオにおけるモデルの適用性を示すものである。
論文参考訳（メタデータ） (2024-05-22T06:30:55Z)
Dynamic collaborative filtering Thompson Sampling for cross-domain advertisements recommendation [1.6859861406758752]
バンドモデル間で知識を伝達するための動的協調フィルタリングトンプソンサンプリング(DCTS)を提案する。 DCTSはユーザと広告間の類似性を利用して、トンプソンサンプリングの事前分布を推定する。我々はDCTSが最先端のモデルよりもクリックスルー率を9.7%向上することを示した。
論文参考訳（メタデータ） (2022-08-25T08:13:24Z)
Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文参考訳（メタデータ） (2022-04-18T09:25:06Z)
Deep Page-Level Interest Network in Reinforcement Learning for Ads Allocation [14.9065245548275]
本稿では,ページレベルのユーザ嗜好をモデル化し,複数タイプのフィードバックを活用するために,Deep Page-level Interest Network (DPIN)を提案する。具体的には、4種類のページレベルのフィードバックを入力として導入し、異なる受容領域下でのアイテム配置のユーザの好みをキャプチャする。
論文参考訳（メタデータ） (2022-04-01T11:58:00Z)
Generative Adversarial Reward Learning for Generalized Behavior Tendency Inference [71.11416263370823]
ユーザの行動嗜好モデルのための生成的逆強化学習を提案する。我々のモデルは,差別的アクター批判ネットワークとWasserstein GANに基づいて,ユーザの行動から報酬を自動的に学習することができる。
論文参考訳（メタデータ） (2021-05-03T13:14:25Z)
Trajectory-wise Multiple Choice Learning for Dynamics Generalization in Reinforcement Learning [137.39196753245105]
本稿では,動的一般化のためのマルチヘッドダイナミックスモデルを学習するモデルベース強化学習アルゴリズムを提案する。文脈学習は,過去の経験から得られる動的情報からコンテキスト潜在ベクトルにエンコードする。提案手法は,最先端のRL法と比較して,様々な制御タスクにおいて優れたゼロショット一般化性能を示す。
論文参考訳（メタデータ） (2020-10-26T03:20:42Z)
TPG-DNN: A Method for User Intent Prediction Based on Total Probability Formula and GRU Loss with Multi-task Learning [36.38658213969406]
本稿では,新しいユーザ意図予測モデルであるTPG-DNNを提案する。提案モデルは,タオバオプラットフォーム上でのクーポンの割り当て,広告,レコメンデーションに広く利用されている。
論文参考訳（メタデータ） (2020-08-05T13:25:53Z)

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。