論文の概要: Collaborative Contrastive Network for Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2411.11508v1
• Date: Mon, 18 Nov 2024 12:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:31:57.541130
• Title: Collaborative Contrastive Network for Click-Through Rate Prediction
• Title（参考訳）: クリックスルーレート予測のための協調コントラストネットワーク
• Authors: Chen Gao, Zixin Zhao, Sihao Hu, Lv Shao, Tong Liu,
• Abstract要約: CCN(Collaborative Contrastive Network)と呼ばれる,より汎用的で堅牢なCTR予測手法を導入する。 CCNは、ユーザの興味や関心を表現できる2つのアイテムクラスタを特定することを学ぶ。 大規模な実世界のデータを用いたオンラインA/Bテストでは、CCNがタオバオで最先端のパフォーマンスを新たに設定し、CTRを12.3%、注文量を12.7%引き上げたことが示されている。
• 参考スコア（独自算出の注目度）: 21.19413982573744
• License:
• Abstract: E-commerce platforms provide entrances for customers to enter mini-apps to meet their specific shopping needs. At the entrance of a mini-app, a trigger item recommended based on customers' historical preferences, is displayed to attract customers to enter the mini-app. Existing Click-Through Rate (CTR) prediction approaches have two significant weaknesses: (i) A portion of customer entries is driven by their interest in the mini-app itself rather than the trigger item. In such cases, approaches highly hinging on the trigger item tend to recommend similar items, thus misunderstanding the customers' real intention; (ii) Approaches that consider customers' intention toward mini-apps, require the regular existence of mini-apps for customers to cultivate routine shopping habits, making such approaches less robust for mini-apps that are available for only short periods (1 or 3 days) in Explosive Promotional Scenarios (EPS), such as the Black Friday and China's Double 11 Shopping Carnival. To address the above-mentioned issues, we introduce a more general and robust CTR prediction approach, dubbed Collaborative Contrastive Network (CCN). Given a user, CCN learns to identify two item clusters that can represent the user's interests and disinterests, via leveraging the collaborative relationship of co-click/co-non-click or the non-collaborative relationship of mono-click as the supervision signal for contrastive learning. This paradigm does not need to explicitly estimate user's binary entry intention and avoids amplifying the impact of the trigger item. Online A/B testing on large-scale real-world data demonstrates that CCN sets a new state-of-the-art performance on Taobao, boosting CTR by 12.3% and order volume by 12.7%.
• Abstract（参考訳）: Eコマースプラットフォームは、顧客が特定のショッピングニーズを満たすためにミニアプリに入るための入り口を提供する。 ミニアプリの入り口には、顧客の過去の好みに基づいて推奨されるトリガー項目が表示され、ミニアプリへの入場客を惹きつける。 既存のクリックスルーレート(CTR)予測アプローチには2つの重大な弱点がある。 (i)顧客エントリの一部は、トリガーアイテムではなく、ミニアプリ自体への関心によって引き起こされます。 このような場合、トリガー項目に強く依存するアプローチは、類似した項目を推奨する傾向があるため、顧客の本当の意図を誤解する。 二 顧客によるミニアプリに対する意図を考慮し、定期的な買い物習慣を育成するためには、定期的なミニアプリの存在を要求され、ブラックフライデーや中国のダブル11ショッピングカーニバルのような爆発的プロモーションシナリオ(EPS)において、短時間(1～3日)でしか利用できないミニアプリにとって、より堅牢なアプローチとなる。 以上の課題に対処するため,より汎用的で堅牢なCTR予測手法であるCollaborative Contrastive Network (CCN)を導入する。 CCNは、ユーザの興味や関心を表現できる2つのアイテムクラスタを特定することを学習し、コントラスト学習の監視信号として、コクリック/コクリックの協調関係やモノクリックの非協調関係を利用する。 このパラダイムは、ユーザのバイナリエントリの意図を明示的に見積もる必要はなく、トリガーアイテムの影響を増幅する必要がない。 大規模な実世界のデータを用いたオンラインA/Bテストでは、CCNがタオバオで最先端のパフォーマンスを新たに設定し、CTRを12.3%、注文量を12.7%引き上げたことが示されている。

関連論文リスト

• RAT: Retrieval-Augmented Transformer for Click-Through Rate Prediction [68.34355552090103]
  本稿では, 試料内および試料間における微細な特徴相互作用の獲得を目的とした検索-拡張変換器(RAT)を開発した。 次に、トランスフォーマー層をカスケードされた注意で構築し、イントラサンプルとクロスサンプルの両方の機能インタラクションをキャプチャします。 実世界のデータセットの実験は、RATの有効性を裏付け、ロングテールシナリオにおいてその利点を示唆している。
  論文  参考訳（メタデータ） (2024-04-02T19:14:23Z)
• Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation [28.29435760797856]
  本稿では,TIRシナリオにおけるクリックスルーレート予測のための新しい手法であるDeep Evolutional Instant Interest Network (DEI2N)を提案する。 我々は,ユーザがスクロールダウンした場合の瞬間的関心の強度の動的変化を予測するために,ユーザインスタント・関心モデリング・レイヤを設計する。 オフラインおよび実世界の産業データセットを用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-15T15:27:24Z)
• Zero-shot Item-based Recommendation via Multi-task Product Knowledge Graph Pre-Training [106.85813323510783]
  本稿ではゼロショットアイテムベース勧告(ZSIR)タスクのための新しいパラダイムを提案する。 製品知識グラフ(PKG)のモデルを事前トレーニングして、PLMからアイテム機能を洗練します。 我々は,PKGにおける多型関係,アイテムジェネリック情報と関係のセマンティックな相違,PKGから下流ZSIRタスクへのドメイン差といった,PKG事前学習の課題を3つ挙げる。
  論文  参考訳（メタデータ） (2023-05-12T17:38:24Z)
• Deep Intention-Aware Network for Click-Through Rate Prediction [9.00554150844311]
  エンターテイメントアイコンに表示されるトリガーアイテムは、より多くのエンターテイメントを引き付けることができる。 従来のClick-Through-Rate(CTR)予測モデルは、トリガーアイテムに対するユーザの即時関心を無視している。 Deep Intention-Aware Network (DIAN)は、ユーザの意図を正確に予測し、結果を動的にバランスさせる。
  論文  参考訳（メタデータ） (2022-11-16T03:55:18Z)
• Collaborative Anomaly Detection [66.51075412012581]
  本研究では,タスク間の相関関係を埋め込むことで,全てのタスクを共同で学習するための協調的異常検出(CAD)を提案する。 条件密度推定と条件確率比推定を用いてCADを探索する。 タスク埋め込みモデルを学ぶために、前もって少数のタスクを選択し、それを使ってタスク埋め込みをウォームスタートさせることは有益である。
  論文  参考訳（メタデータ） (2022-09-20T18:01:07Z)
• Deep Interest Highlight Network for Click-Through Rate Prediction in Trigger-Induced Recommendation [15.490873353133363]
  本稿では,トリガー誘導レコメンデーション(TIR, Trigger-induced Recommendation)という新たなレコメンデーション問題を提案する。 そこで本研究では,クリックスルーレート(CTR)予測のための,DIHN(Deep Interest Highlight Network)と呼ばれる新しい推奨手法を提案する。 1)ユーザインテントネットワーク(UIN)、2)トリガーアイテムに対するユーザの意図を正確に予測するための正確な確率スコアを生成する、2)統合埋め込みモジュール(FEM)、そして、UINからの予測に基づいてトリガーアイテムとターゲットアイテムの埋め込みを適応的に融合する、3)。
  論文  参考訳（メタデータ） (2022-02-05T08:40:30Z)
• Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
  本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。 周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。 本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-01-25T12:44:23Z)
• Aggregated Customer Engagement Model [0.571097144710995]
  Eコマースウェブサイトは、機械学習によるランキングモデルを使用して、顧客に対してショッピング結果を提供する。 新規または過小評価された製品は、十分な顧客エンゲージメント信号を持っておらず、人気製品に並ぶと不利になる。 本稿では,1日以内にすべての顧客エンゲージメントを集約し,同じクエリを入力トレーニングデータとして使用する新しいデータキュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T20:58:10Z)
• Multimodal and Contrastive Learning for Click Fraud Detection [3.958603405726725]
  Click Fraud Detection (MCCF) のためのマルチモーダル・コントラスト学習ネットワークを提案する。 MCCFはワイド・ディープの特徴, 行動シーケンス, 異種ネットワークを共同で利用し, クリック表現を蒸留する。 Alibabaプラットフォーム上の2.54百万クリックを含む実世界のデータセットを用いて、MCCFの有効性を調査する。
  論文  参考訳（メタデータ） (2021-05-08T03:03:11Z)
• Learning over no-Preferred and Preferred Sequence of items for Robust Recommendation [66.8722561224499]
  暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。 本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
  論文  参考訳（メタデータ） (2020-12-12T22:10:15Z)
• FAIRS -- Soft Focus Generator and Attention for Robust Object Segmentation from Extreme Points [70.65563691392987]
  本稿では,ユーザ入力からオブジェクトのセグメンテーションを極端点と補正クリックの形で生成する手法を提案する。 提案手法は,エクストリームポイント,クリック誘導,修正クリックを原則として組み込んだ,高品質なトレーニングデータを生成する能力とスケーラビリティを実証する。
  論文  参考訳（メタデータ） (2020-04-04T22:25:47Z)

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。