論文の概要: Efficient Feature Interactions with Transformers: Improving User Spending Propensity Predictions in Gaming

• arxiv url: http://arxiv.org/abs/2409.17077v1
• Date: Wed, 25 Sep 2024 16:40:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 02:54:47.433821
• Title: Efficient Feature Interactions with Transformers: Improving User Spending Propensity Predictions in Gaming
• Title（参考訳）: 変圧器との効率的な特徴相互作用--ゲームにおけるユーザスペンディング確率予測の改善
• Authors: Ved Prakash, Kartavya Kothari,
• Abstract要約: 本稿では,ユーザがゲームラウンドに費やす確率を予測する問題について議論し,様々なダウンストリームアプリケーションに利用できるようにする。 例えば、利用者の支出適性に応じて極端にインセンティブを与えるか、または利用者の支出適性に基づいて製品リストをパーソナライズすることで、ユーザーをアップセラーする。 提案したアーキテクチャは,ゲームラウンドにおけるユーザの使用状況を予測するタスクにおいて,既存のモデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.5755004576310334
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Dream11 is a fantasy sports platform that allows users to create their own virtual teams for real-life sports events. We host multiple sports and matches for our 200M+ user base. In this RMG (real money gaming) setting, users pay an entry amount to participate in various contest products that we provide to users. In our current work, we discuss the problem of predicting the user's propensity to spend in a gaming round, so it can be utilized for various downstream applications. e.g. Upselling users by incentivizing them marginally as per their spending propensity, or personalizing the product listing based on the user's propensity to spend. We aim to model the spending propensity of each user based on past transaction data. In this paper, we benchmark tree-based and deep-learning models that show good results on structured data, and we propose a new architecture change that is specifically designed to capture the rich interactions among the input features. We show that our proposed architecture outperforms the existing models on the task of predicting the user's propensity to spend in a gaming round. Our new transformer model surpasses the state-of-the-art FT-Transformer, improving MAE by 2.5\% and MSE by 21.8\%.
• Abstract（参考訳）: Dream11はファンタジースポーツのプラットフォームで、ユーザーは実生活のスポーツイベントのために独自の仮想チームを作ることができる。 われわれは2億人以上のユーザーを対象に複数のスポーツや試合を開催している。 このRMG(real money gaming)設定では、ユーザは、ユーザに提供するさまざまなコンテスト製品に参加するために、エントリー金額を支払う。 本研究では,ユーザがゲームラウンドに費やす確率を予測することの問題点について論じ,様々なダウンストリームアプリケーションに利用できるようにする。 eg 利用者の消費適性に応じて極端にインセンティブを与えるか、または使用適性に基づいて製品リストをパーソナライズすることにより、ユーザーをアップセールする。 我々は,過去の取引データに基づいて,各ユーザの支出率をモデル化することを目的としている。 本稿では,構造データに対して良好な結果を示す木モデルとディープラーニングモデルをベンチマークし,入力特徴間のリッチな相互作用を捉えるように設計されたアーキテクチャ変更を提案する。 提案したアーキテクチャは,ゲームラウンドにおけるユーザの使用状況を予測するタスクにおいて,既存のモデルよりも優れていることを示す。 我々の新しいトランスモデルは最先端のFT-Transformerを超え、MAEを2.5 %改善し、MSEを21.8 %改善した。

関連論文リスト

• Mixture of Nested Experts: Adaptive Processing of Visual Tokens [49.43920770789789]
  Vision Transformer (ViT) ベースのモデルは、固有の冗長性に乗じず、より高い計算コストをもたらす。 本報告では,Nested Experts (Mixture of Nested Experts, MONE) について述べる。 我々は、イメージNet-21K、Kineetics400、Something-v2といった標準画像およびビデオデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2024-07-29T13:19:31Z)
• Collaborative-Enhanced Prediction of Spending on Newly Downloaded Mobile Games under Consumption Uncertainty [49.431361908465036]
  ラベルのばらつきと極端性を緩和する頑健なモデルトレーニングと評価フレームワークを提案する。 本フレームワークでは,ユーザIDに頼ることなく,ユーザのゲーム支出を予測するための協調型モデルを提案する。 当社のアプローチは、オフラインデータに対する注目すべき textbf17.11% の強化を実現し、プロダクションモデルよりも顕著に改善されていることを示す。
  論文  参考訳（メタデータ） (2024-04-12T07:47:02Z)
• Attention Weighted Mixture of Experts with Contrastive Learning for Personalized Ranking in E-commerce [21.7796124109]
  本稿では,個人格付けのためのコントラスト学習を伴うAW-MoE(Attention Weighted Mixture of Experts)を提案する。 AW-MoEはJDのeコマース検索エンジンでうまく展開されている。
  論文  参考訳（メタデータ） (2023-06-08T07:59:08Z)
• Predicting Customer Lifetime Value in Free-to-Play Games [0.0]
  異なる分野にわたる顧客生涯価値モデリングの概要を示す。 さまざまなプラットフォームやジャンルにわたるフリー・ツー・プレイゲームに特化した課題を紹介します。
  論文  参考訳（メタデータ） (2022-09-06T15:02:14Z)
• PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
  我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。 従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。 その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
  論文  参考訳（メタデータ） (2022-05-09T18:26:51Z)
• User-click Modelling for Predicting Purchase Intent [0.0]
  この論文は、ユーザの振る舞いをモデル化するオープンな数学的問題に対する構造化された調査に寄与する。 企業がWebサイトとのユーザインタラクションを理解することは、消費者の振る舞いに関するリッチで個人化された洞察を提供するため、価値がある。
  論文  参考訳（メタデータ） (2021-12-03T16:37:48Z)
• Linear Speedup in Personalized Collaborative Learning [69.45124829480106]
  フェデレート学習におけるパーソナライゼーションは、モデルのバイアスをトレーディングすることで、モデルの精度を向上させることができる。 ユーザの目的の最適化として、パーソナライズされた協調学習問題を定式化する。 分散の低減のためにバイアスを最適にトレードオフできる条件について検討する。
  論文  参考訳（メタデータ） (2021-11-10T22:12:52Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Supporting Financial Inclusion with Graph Machine Learning and Super-App Alternative Data [63.942632088208505]
  スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。 本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
  論文  参考訳（メタデータ） (2021-02-19T15:13:06Z)
• 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。

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。