論文の概要: Multi-Treatment Multi-Task Uplift Modeling for Enhancing User Growth
- arxiv url: http://arxiv.org/abs/2408.12803v1
- Date: Fri, 23 Aug 2024 02:44:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-26 16:09:18.606881
- Title: Multi-Treatment Multi-Task Uplift Modeling for Enhancing User Growth
- Title（参考訳）: マルチタスク・アップリフトモデリングによるユーザ成長の促進
- Authors: Yuxiang Wei, Zhaoxin Qiu, Yingjie Li, Yuke Sun, Xiaoling Li,
- Abstract要約: マルチタスクシナリオにおける処理効果を推定するために,マルチタスク・マルチタスク(MTMT)アップリフトネットワークを提案する。
MTMTは、タスク毎の自然な応答を測定するために、ユーザの特徴と治療を符号化する。
MTMTは、ユーザエクスペリエンスを改善するために、当社のゲームプラットフォームにデプロイされています。
- 参考スコア（独自算出の注目度）: 12.243349396069934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As a key component in boosting online user growth, uplift modeling aims to measure individual user responses (e.g., whether to play the game) to various treatments, such as gaming bonuses, thereby enhancing business outcomes. However, previous research typically considers a single-task, single-treatment setting, where only one treatment exists and the overall treatment effect is measured by a single type of user response. In this paper, we propose a Multi-Treatment Multi-Task (MTMT) uplift network to estimate treatment effects in a multi-task scenario. We identify the multi-treatment problem as a causal inference problem with a tiered response, comprising a base effect (from offering a treatment) and an incremental effect (from offering a specific type of treatment), where the base effect can be numerically much larger than the incremental effect. Specifically, MTMT separately encodes user features and treatments. The user feature encoder uses a multi-gate mixture of experts (MMOE) network to encode relevant user features, explicitly learning inter-task relations. The resultant embeddings are used to measure natural responses per task. Furthermore, we introduce a treatment-user feature interaction module to model correlations between each treatment and user feature. Consequently, we separately measure the base and incremental treatment effect for each task based on the produced treatment-aware representations. Experimental results based on an offline public dataset and an online proprietary dataset demonstrate the effectiveness of MTMT in single/multi-treatment and single/multi-task settings. Additionally, MTMT has been deployed in our gaming platform to improve user experience.
- Abstract（参考訳）: オンラインユーザ成長の鍵となる要素として、アップリフトモデリングは、ゲームボーナスなどの様々な治療に対する個々のユーザ反応(例えば、ゲームをするかどうか)を測定することを目的としており、それによってビジネス成果が向上する。
しかし、従来の研究では、1つの治療しか存在せず、全体的な治療効果は単一のタイプのユーザ応答によって測定される、単一タスクの単一処理環境を概ね考慮していた。
本稿では,マルチタスクシナリオにおける処理効果を推定するために,MTMT(Multi-Treatment Multi-Task Uplift Network)を提案する。
我々は,多処理問題を,基礎効果(治療の提供から)と漸進効果(特定の治療の種類の提供まで)からなるタイレッド応答による因果推論問題と同定し,基礎効果が漸進効果よりも数値的に大きくなることを示した。
具体的には、MTMTはユーザーの特徴と治療を別々にエンコードする。
ユーザ機能エンコーダは、MMOE(Multi-gate Mixed Expert)ネットワークを使用して、関連するユーザ機能をエンコードし、タスク間の関係を明示的に学習する。
結果の埋め込みは、タスク毎の自然な応答を測定するために使用される。
さらに,各処理とユーザ特徴の相関関係をモデル化するための処理ユーザ間相互作用モジュールを提案する。
その結果、作成した処理認識表現に基づいて、各タスクのベースとインクリメンタルな処理効果を別々に測定した。
オフラインのパブリックデータセットとオンラインのプロプライエタリデータセットに基づく実験結果は、シングル/マルチ処理とシングル/マルチタスク設定におけるMTMTの有効性を示す。
さらに、MTMTはユーザエクスペリエンスを改善するために、当社のゲームプラットフォームにデプロイされています。
関連論文リスト
- When MOE Meets LLMs: Parameter Efficient Fine-tuning for Multi-task Medical Applications [57.342772288710044]
我々はMOELoRAと呼ばれるマルチタスク医療応用のためのパラメータ効率の良い微調整フレームワークを提案する。
MOEとLoRAを統一するために、トレーニング可能なパラメータとして複数の専門家を考案し、トレーニング可能なパラメータの小さなサイズを保持するために、各専門家は2つの低ランク行列から構成される。
マルチタスク医療データセットを用いて実験を行い、MOELoRAが既存のパラメータを効率よく微調整する手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-21T17:18:09Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳（メタデータ） (2023-10-06T10:40:46Z) - Explicit Feature Interaction-aware Uplift Network for Online Marketing [25.325081105648096]
アップリフトモデリングは、異なる治療が異なるユーザーを動機づける程度を正確に捉えることを目的としています。
本稿では,これらの2つの問題に対処するために,明示的な機能インタラクション対応アップリフトネットワーク(EFIN)を提案する。
我々のEFINは、大規模なオンライン金融プラットフォームのクレジットカード支払いシナリオに展開され、大幅な改善がなされました。
論文 参考訳（メタデータ） (2023-06-01T03:26:11Z) - Task Aware Feature Extraction Framework for Sequential Dependence
Multi-Task Learning [1.0765359420035392]
我々は厳密な数学的観点から逐次依存型MLLを解析する。
逐次依存型MLLのためのタスク認識特徴抽出(TAFE)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-06T13:12:59Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳（メタデータ） (2022-12-17T15:01:05Z) - Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for
Multi-Behavior Recommendation [52.89816309759537]
マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。
最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。
本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-03T05:28:14Z) - DESCN: Deep Entire Space Cross Networks for Individual Treatment Effect
Estimation [7.060064266376701]
因果推論は、Eコマースや精密医療など様々な分野で広く応用されている。
本稿では,エンド・ツー・エンドの観点から治療効果をモデル化するためのDeep Entire Space Cross Networks (DESCN)を提案する。
論文 参考訳（メタデータ） (2022-07-19T01:25:31Z) - Multi-Task Processes [13.362632630637707]
複数のプロセスから実現されたタスクを推論するためのマルチタスクプロセス(MTP)を提案する。
MTPは,様々な実世界のデータから相関関係を発見し,活用することで,複数のタスクを協調的にモデル化できることを示す。
論文 参考訳（メタデータ） (2021-10-28T08:45:43Z) - Reparameterizing Convolutions for Incremental Multi-Task Learning
without Task Interference [75.95287293847697]
マルチタスクモデルを開発する際の2つの一般的な課題は、しばしば文献で見過ごされる。
まず、モデルを本質的に漸進的に可能にし、以前に学んだことを忘れずに新しいタスクから情報を継続的に取り入れる(インクリメンタルラーニング)。
第二に、タスク間の有害な相互作用を排除し、マルチタスク設定(タスク干渉)においてシングルタスクのパフォーマンスを著しく低下させることが示されている。
論文 参考訳（メタデータ） (2020-07-24T14:44:46Z) - Task-Feature Collaborative Learning with Application to Personalized
Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。
具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。
実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文 参考訳（メタデータ） (2020-04-29T02:32:04Z)
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。