論文の概要: Ranking Across Different Content Types: The Robust Beauty of Multinomial Blending

• arxiv url: http://arxiv.org/abs/2408.09168v1
• Date: Sat, 17 Aug 2024 11:11:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 22:01:27.377612
• Title: Ranking Across Different Content Types: The Robust Beauty of Multinomial Blending
• Title（参考訳）: 異なるコンテンツの種類でランク付けする:多分野ブレンディングのロバストな美
• Authors: Jan Malte Lichtenberg, Giuseppe Di Benedetto, Matteo Ruffini,
• Abstract要約: クロスコンテンツ型ランキングは、従来の学習からランクへのアルゴリズムにとって重要な課題である。 マルチノミアルブレンディング(MB)という,クロスコンテンツ型ランキングの簡易手法について検討する。 Amazon MusicランキングのユースケースからA/Bテストの結果を報告する。
• 参考スコア（独自算出の注目度）: 1.0650780147044159
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An increasing number of media streaming services have expanded their offerings to include entities of multiple content types. For instance, audio streaming services that started by offering music only, now also offer podcasts, merchandise items, and videos. Ranking items across different content types into a single slate poses a significant challenge for traditional learning-to-rank (LTR) algorithms due to differing user engagement patterns for different content types. We explore a simple method for cross-content-type ranking, called multinomial blending (MB), which can be used in conjunction with most existing LTR algorithms. We compare MB to existing baselines not only in terms of ranking quality but also from other industry-relevant perspectives such as interpretability, ease-of-use, and stability in dynamic environments with changing user behavior and ranking model retraining. Finally, we report the results of an A/B test from an Amazon Music ranking use-case.
• Abstract（参考訳）: メディアストリーミングサービスは、複数のコンテンツタイプのエンティティを含むようにサービスを拡張している。 たとえば、音楽のみを提供するオーディオストリーミングサービスは、ポッドキャスト、商品、ビデオも提供するようになった。 異なるコンテンツタイプにまたがるアイテムを単一のスレートにランク付けすることは、異なるコンテンツタイプのユーザエンゲージメントパターンが異なるため、従来のLTR(Learning-to-rank)アルゴリズムにとって大きな課題となる。 我々は,既存のLTRアルゴリズムと組み合わせて使用可能な,多相ブレンディング(MB)と呼ばれるクロスコンテンツ型ランキングの簡易な手法について検討する。 MBと既存のベースラインを、ランキング品質だけでなく、解釈可能性、使いやすさ、動的環境の安定性といった業界関連の観点から比較し、ユーザの振る舞いやランキングモデルの再トレーニングを変化させる。 最後に、Amazon Musicランキングのユースケースから、A/Bテストの結果を報告する。

関連論文リスト

• Cross-view Semantic Alignment for Livestreaming Product Recognition [24.38606354376169]
  LPR4Mは34のカテゴリをカバーする大規模マルチモーダルデータセットである。 LPR4Mは様々なビデオとノイズモードのペアを含み、長い尾の分布を示す。 クロスビューパッチ間のセマンティックなミスアライメントをペナルティ化するために、新しいパッチ特徴再構成損失を提案する。
  論文  参考訳（メタデータ） (2023-08-09T12:23:41Z)
• ContentCTR: Frame-level Live Streaming Click-Through Rate Prediction with Multimodal Transformer [31.10377461705053]
  フレームレベルのCTR予測にマルチモーダルトランスを用いたContentCTRモデルを提案する。 実世界のシナリオと公開データセットの両方で広範な実験を行い、ContentCTRモデルは、リアルタイムのコンテンツ変更をキャプチャする従来のレコメンデーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-06-26T03:04:53Z)
• Multi-Content Time-Series Popularity Prediction with Multiple-Model Transformers in MEC Networks [34.44384973176474]
  モバイルエッジキャッシング(MEC)におけるコーディング/アンコードされたコンテンツ配置は、グローバルなモバイルデータトラフィックの大幅な増加に対応するために進化してきた。 既存のデータ駆動の人気予測モデルは、コード化/アンコードされたコンテンツ配置フレームワークには適していない。 一般化能力の高いマルチモデル(ハイブリッド)トランスフォーマーベースエッジキャッシング(MTEC)フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-10-12T02:24:49Z)
• Temporal Saliency Query Network for Efficient Video Recognition [82.52760040577864]
  ビデオ認識は、インターネットやモバイルデバイス上でのマルチメディアデータの爆発的な成長に関するホットスポット研究のトピックである。 既存の方法の多くは、クラス固有のサリエンシスコアを意識せずに、サリエントフレームを選択する。 そこで我々は,Saliency Query (TSQ) 機構を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:23:34Z)
• Self-Supervised Representation Learning With MUlti-Segmental Informational Coding (MUSIC) [6.693379403133435]
  自己教師付き表現学習は、高次元データを意味のある埋め込み空間にマッピングする。 自己教師型表現学習のためのMUSIC(MUlti-Segmental Informational Coding)を提案する。
  論文  参考訳（メタデータ） (2022-06-13T20:37:48Z)
• Multi-Modal Few-Shot Object Detection with Meta-Learning-Based Cross-Modal Prompting [77.69172089359606]
  本稿では,マルチモーダルな複数ショットオブジェクト検出(FSOD)について,少数ショット視覚例とクラスセマンティック情報の両方を用いて検討する。 我々のアプローチは、(メトリックベース)メタラーニングとプロンプトベースラーニングの高レベルな概念的類似性によって動機付けられている。 提案するマルチモーダルFSODモデルを,複数の複数ショットオブジェクト検出ベンチマークで総合的に評価し,有望な結果を得た。
  論文  参考訳（メタデータ） (2022-04-16T16:45:06Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Content-based Analysis of the Cultural Differences between TikTok and Douyin [95.32409577885645]
  ショートフォームのソーシャルメディアは、聴衆にダイナミックなストーリーを伝え、彼らの注意を引き付けることによって、伝統的なメディアパラダイムから遠ざかる。 特に、興味深く、理解しやすいユニークなシーンを表現するために、日常的なオブジェクトの異なる組み合わせを用いることができる。 同じ会社によって提供されたTikTokとDouyinは、近年人気になった新しいメディアの好例だ。 メディアファッションや社会的慣用性とともに文化的な違いを表現しているという仮説が,本研究の主目的である。
  論文  参考訳（メタデータ） (2020-11-03T01:47:49Z)
• Generalized Few-Shot Video Classification with Video Retrieval and Feature Generation [132.82884193921535]
  従来の手法は,映像特徴学習の重要性を過小評価し,二段階的アプローチを提案する。 この単純なベースラインアプローチは、既存のベンチマークで20ポイント以上の精度で、以前の数ショットビデオ分類方法よりも優れていることを示す。 さらなる改善をもたらす2つの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:05:32Z)
• Video Understanding as Machine Translation [53.59298393079866]
  我々は、単一の統合フレームワークを用いて、様々なダウンストリームビデオ理解タスクに取り組む。 映像分類(EPIC-Kitchens)、質問応答(TVQA)、キャプション(TVC, YouCook2, MSR-VTT)など、いくつかのダウンストリームタスクにおいて、現状よりもパフォーマンスの向上が報告されている。
  論文  参考訳（メタデータ） (2020-06-12T14:07:04Z)

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。