論文の概要: Improving feature interactions at Pinterest under industry constraints

• arxiv url: http://arxiv.org/abs/2412.01985v1
• Date: Mon, 02 Dec 2024 21:29:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:40:32.691511
• Title: Improving feature interactions at Pinterest under industry constraints
• Title（参考訳）: Pinterestにおける業界制約下での機能インタラクションの改善
• Authors: Siddarth Malreddy, Matthew Lawhon, Usha Amrutha Nookala, Aditya Mantha, Dhruvil Deven Badani,
• Abstract要約: 機能間相互作用は、レコメンデーションシステムやオンライン広告におけるユーザの振る舞いを正確に予測するために重要である。 Criteoのようなベンチマークデータセット上での優れたパフォーマンスを示す数多くの新しいテクニックにもかかわらず、産業環境での直接的な適用は制約によって妨げられている。 本稿では,PinterestのHomefeedランキングモデルにおける機能インタラクションの改善から学んだことを,そのような制約の下で共有する。
• 参考スコア（独自算出の注目度）: 2.070517488949293
• License:
• Abstract: Adopting advances in recommendation systems is often challenging in industrial settings due to unique constraints. This paper aims to highlight these constraints through the lens of feature interactions. Feature interactions are critical for accurately predicting user behavior in recommendation systems and online advertising. Despite numerous novel techniques showing superior performance on benchmark datasets like Criteo, their direct application in industrial settings is hindered by constraints such as model latency, GPU memory limitations and model reproducibility. In this paper, we share our learnings from improving feature interactions in Pinterest's Homefeed ranking model under such constraints. We provide details about the specific challenges encountered, the strategies employed to address them, and the trade-offs made to balance performance with practical limitations. Additionally, we present a set of learning experiments that help guide the feature interaction architecture selection. We believe these insights will be useful for engineers who are interested in improving their model through better feature interaction learning.
• Abstract（参考訳）: レコメンデーションシステムの進歩は、ユニークな制約のため、産業環境においてしばしば困難である。 本稿では,これらの制約を機能相互作用のレンズを通して強調することを目的とする。 機能間相互作用は、レコメンデーションシステムやオンライン広告におけるユーザの振る舞いを正確に予測するために重要である。 Criteoのようなベンチマークデータセットで優れたパフォーマンスを示す数多くの新しいテクニックにもかかわらず、産業環境での直接的な応用は、モデルのレイテンシ、GPUメモリの制限、モデルの再現性といった制約によって妨げられている。 本稿では,PinterestのHomefeedランキングモデルにおける機能インタラクションの改善から学んだことを,そのような制約の下で共有する。 我々は、遭遇した特定の課題、それに取り組むための戦略、そしてパフォーマンスと実践的な制限のバランスをとるためのトレードオフについて、詳細を提供する。 さらに,機能相互作用アーキテクチャの選択をガイドする学習実験のセットも提示する。 これらの洞察は、より良い機能インタラクション学習を通じてモデルを改善することに興味を持つエンジニアにとって有用であると考えています。

関連論文リスト

• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Interactive Graph Convolutional Filtering [79.34979767405979]
  インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。 これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。 既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。 提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
  論文  参考訳（メタデータ） (2023-09-04T09:02:31Z)
• Ad-Rec: Advanced Feature Interactions to Address Covariate-Shifts in Recommendation Networks [2.016365643222463]
  データ分散のドリフトを処理し、ユーザの振る舞いの変化に適応するためには、クロスフィーチャー学習が不可欠だ。 この研究は、共変量シフトに対処する機能インタラクション技術を活用するネットワークであるAd-Recを導入している。 提案手法は,AUC(Area Under Curve)測定値により,モデル品質の向上,収束の促進,トレーニング時間短縮を実現する。
  論文  参考訳（メタデータ） (2023-08-28T21:08:06Z)
• Cross Feature Selection to Eliminate Spurious Interactions and Single Feature Dominance Explainable Boosting Machines [0.0]
  解釈性は法的、倫理的、実践的な理由において不可欠である。 高性能モデルは、冗長な特徴と単一機能支配との素早い相互作用に悩まされることがある。 本稿では,これらの課題に対処するための新しいアプローチとして,代替のクロスフィーチャー選択,アンサンブル機能,モデル構成変更手法について検討する。
  論文  参考訳（メタデータ） (2023-07-17T13:47:41Z)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)
• DCAP: Deep Cross Attentional Product Network for User Response Prediction [20.17934000984361]
  我々はDCAP(Deep Cross Attentional Product Network)という新しいアーキテクチャを提案する。 DCAPは、高階機能相互作用をベクトルレベルで明示的にモデリングするクロスネットワークの利点を維持します。 提案モデルは容易に実装でき,並行して訓練できる。
  論文  参考訳（メタデータ） (2021-05-18T16:27:20Z)
• SEEK: Segmented Embedding of Knowledge Graphs [77.5307592941209]
  本稿では,モデル複雑性を増大させることなく,高い競争力を持つ関係表現性を実現する軽量なモデリングフレームワークを提案する。 本フレームワークは,評価関数の設計に重点を置いており,1)十分な特徴相互作用の促進,2)関係の対称性と反対称性の両特性の保存,という2つの重要な特徴を強調している。
  論文  参考訳（メタデータ） (2020-05-02T15:15:50Z)

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。