論文の概要: Generative Regression Based Watch Time Prediction for Video Recommendation: Model and Performance

• arxiv url: http://arxiv.org/abs/2412.20211v1
• Date: Sat, 28 Dec 2024 16:48:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:05:31.603703
• Title: Generative Regression Based Watch Time Prediction for Video Recommendation: Model and Performance
• Title（参考訳）: 映像レコメンデーションのための生成的回帰に基づく時計時間予測:モデルと性能
• Authors: Hongxu Ma, Kai Tian, Tao Zhang, Xuefeng Zhang, Chunjie Chen, Han Li, Jihong Guan, Shuigeng Zhou,
• Abstract要約: ショートビデオレコメンデーションシステムにおいて、時計時間予測(WTP)が重要な課題として浮上している。 シーケンス生成に基づくWTPのための新しい生成回帰(GR)パラダイムを提案する。 4つの公開データセットと1つの産業データセットに対する最先端アプローチに対して,本手法の評価を行った。
• 参考スコア（独自算出の注目度）: 35.33333441236041
• License:
• Abstract: Watch time prediction (WTP) has emerged as a pivotal task in short video recommendation systems, designed to encapsulate user interests. Predicting users' watch times on videos often encounters challenges, including wide value ranges and imbalanced data distributions, which can lead to significant bias when directly regressing watch time. Recent studies have tried to tackle these issues by converting the continuous watch time estimation into an ordinal classification task. While these methods are somewhat effective, they exhibit notable limitations. Inspired by language modeling, we propose a novel Generative Regression (GR) paradigm for WTP based on sequence generation. This approach employs structural discretization to enable the lossless reconstruction of original values while maintaining prediction fidelity. By formulating the prediction problem as a numerical-to-sequence mapping, and with meticulously designed vocabulary and label encodings, each watch time is transformed into a sequence of tokens. To expedite model training, we introduce the curriculum learning with an embedding mixup strategy which can mitigate training-and-inference inconsistency associated with teacher forcing. We evaluate our method against state-of-the-art approaches on four public datasets and one industrial dataset. We also perform online A/B testing on Kuaishou, a leading video app with about 400 million DAUs, to demonstrate the real-world efficacy of our method. The results conclusively show that GR outperforms existing techniques significantly. Furthermore, we successfully apply GR to another regression task in recommendation systems, i.e., Lifetime Value (LTV) prediction, which highlights its potential as a novel and effective solution to general regression challenges.
• Abstract（参考訳）: ユーザの興味をカプセル化するショートビデオレコメンデーションシステムにおいて、ウォッチタイム予測(WTP)が重要なタスクとして登場した。 ビデオ上でのユーザの監視時間を予測することは、広範囲の値範囲や不均衡なデータ配信など、しばしば課題に直面する。 最近の研究は、連続時計時間推定を正規分類タスクに変換することによって、これらの課題に対処しようとしている。 これらの方法は幾分効果があるが、顕著な限界がある。 言語モデリングに触発されて、シーケンス生成に基づくWTPのための新しい生成回帰(GR)パラダイムを提案する。 このアプローチでは、予測忠実性を維持しながら、元の値のロスレス再構成を可能にするために、構造的離散化を用いる。 予測問題を数値列マッピングとして定式化し、巧妙に設計された語彙とラベルエンコーディングにより、各時計時刻を一連のトークンに変換する。 モデルトレーニングの迅速化を目的として,教師の強制にかかわるトレーニングと推論の不整合を軽減できる組込み混合戦略によるカリキュラム学習を紹介する。 4つの公開データセットと1つの産業データセットに対する最先端アプローチに対して,本手法の評価を行った。 また,約4億DAUの動画アプリであるKuaishou上でオンラインA/Bテストを実施し,本手法の実際の有効性を実証した。 その結果,GRは既存の技術よりも優れた性能を示した。 さらに,リコメンデーションシステムにおける他のレグレッションタスク,すなわちライフタイムバリュー(LTV)予測にGRを適用することに成功し,一般的なレグレッション課題に対する新規かつ効果的な解決策としての可能性を強調した。

関連論文リスト

• AdaPRL: Adaptive Pairwise Regression Learning with Uncertainty Estimation for Universal Regression Tasks [0.0]
  回帰タスクのための適応型ペアワイズ学習フレームワーク(AdaPRL)を提案する。 AdaPRLは、データポイントと深い確率モデルの間の相対的な差異を利用して、予測に関連する不確実性を定量化する。 実験により、AdaPRLが最近提案された回帰フレームワークにシームレスに統合され、パフォーマンスが向上することが示された。
  論文  参考訳（メタデータ） (2025-01-10T09:19:10Z)
• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• A Conditioned Unsupervised Regression Framework Attuned to the Dynamic Nature of Data Streams [0.0]
  本稿では,制限付きラベル付きデータを用いたストリーミング環境の最適戦略を提案し,教師なし回帰のための適応手法を提案する。 提案手法は,初期ラベルのスパースセットを活用し,革新的なドリフト検出機構を導入する。 適応性を高めるために,Adaptive WINdowingアルゴリズムとRoot Mean Square Error (RMSE)に基づく誤り一般化アルゴリズムを統合する。
  論文  参考訳（メタデータ） (2023-12-12T19:23:54Z)
• Explainable Parallel RCNN with Novel Feature Representation for Time Series Forecasting [0.0]
  時系列予測はデータサイエンスにおける根本的な課題である。 RNNとCNNを組み合わせた並列ディープラーニングフレームワークを開発した。 3つのデータセットに対する大規模な実験により,本手法の有効性が明らかとなった。
  論文  参考訳（メタデータ） (2023-05-08T17:20:13Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• Cluster Regularization via a Hierarchical Feature Regression [0.0]
  本稿では,階層的特徴回帰(HFR)という新しいクラスタベース正規化を提案する。 機械学習とグラフ理論の領域からの洞察を動員し、予測セットの教師付き階層表現に沿ってパラメータを推定する。 経済成長予測への応用は、実証的な環境でのHFRの有効性を示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-10T13:03:01Z)
• Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
  本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。 本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。 私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
  論文  参考訳（メタデータ） (2020-08-10T17:09:16Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。