論文の概要: Entire-Space Variational Information Exploitation for Post-Click Conversion Rate Prediction

• arxiv url: http://arxiv.org/abs/2502.15687v1
• Date: Tue, 17 Dec 2024 09:37:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 07:18:54.548005
• Title: Entire-Space Variational Information Exploitation for Post-Click Conversion Rate Prediction
• Title（参考訳）: クリック後変換率予測のための空間変動情報爆発
• Authors: Ke Fei, Xinyue Zhang, Jingjing Li,
• Abstract要約: CVR予測のための全空間変動情報活用フレームワーク(EVI)を提案する。 第一に、EVIは条件付き全空間CVR教師を使用して、バイアスのない擬似ラベルを生成する。 そして、非クリック空間情報を対象のCVR推定器に転送するために、変動情報利用とロジット蒸留を適用する。
• 参考スコア（独自算出の注目度）: 11.675652028256428
• License:
• Abstract: In recommender systems, post-click conversion rate (CVR) estimation is an essential task to model user preferences for items and estimate the value of recommendations. Sample selection bias (SSB) and data sparsity (DS) are two persistent challenges for post-click conversion rate (CVR) estimation. Currently, entire-space approaches that exploit unclicked samples through knowledge distillation are promising to mitigate SSB and DS simultaneously. Existing methods use non-conversion, conversion, or adaptive conversion predictors to generate pseudo labels for unclicked samples. However, they fail to consider the unbiasedness and information limitations of these pseudo labels. Motivated by such analysis, we propose an entire-space variational information exploitation framework (EVI) for CVR prediction. First, EVI uses a conditional entire-space CVR teacher to generate unbiased pseudo labels. Then, it applies variational information exploitation and logit distillation to transfer non-click space information to the target CVR estimator. We conduct extensive offline experiments on six large-scale datasets. EVI demonstrated a 2.25\% average improvement compared to the state-of-the-art baselines.
• Abstract（参考訳）: 推薦システムでは、クリック後変換率(CVR)の推定は、アイテムのユーザの好みをモデル化し、レコメンデーションの価値を見積もるのに不可欠である。 サンプル選択バイアス(SSB)とデータスパシティ(DS)は、クリック後変換率(CVR)推定において永続的な2つの課題である。 現在、知識蒸留を通じて未クリックのサンプルを利用する全空間的アプローチは、SSBとDSを同時に緩和することを約束している。 既存の方法は、非変換、変換、適応変換予測器を使用して、クリックされていないサンプルの擬似ラベルを生成する。 しかし、彼らはこれらの擬似ラベルの曖昧さと情報制限を考慮することに失敗した。 このような分析により,CVR予測のための全空間変動情報活用フレームワーク(EVI)を提案する。 第一に、EVIは条件付き全空間CVR教師を使用して、バイアスのない擬似ラベルを生成する。 そして、ターゲットのCVR推定器に非クリック空間情報を転送するために、変動情報利用とロジット蒸留を適用する。 6つの大規模データセットに対して大規模なオフライン実験を行う。 EVI は最先端のベースラインに比べて平均 2.25 % の改善を示した。

関連論文リスト

• ChorusCVR: Chorus Supervision for Entire Space Post-Click Conversion Rate Modeling [31.709370437858322]
  クリック後変換率の推定は、収益ビジネスのレコメンデーションシステムにおいて重要なタスクである。 クリックされていないサンプルに対するイベント後のラベルがないため、CVR学習タスクはクリックされたサンプルのみを使用するのが一般的である。 そこで本研究では,空間全体に偏ったCVR学習を実現するための新しいChorusCVRモデルを提案する。
  論文  参考訳（メタデータ） (2025-02-12T10:31:45Z)
• EGEAN: An Exposure-Guided Embedding Alignment Network for Post-Click Conversion Estimation [6.178133899988549]
  クリック後変換率(CVR)の推定は、オンライン広告システムにとって不可欠である。 因果的アプローチの進歩にもかかわらず、CVR推定はCovariate Shiftによる課題に直面している。 本研究では,この問題を解決するためのEGEAN(Exposure-Guided Embedding Alignment Network)を提案する。
  論文  参考訳（メタデータ） (2024-12-08T10:17:02Z)
• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• Data-driven Conditional Instrumental Variables for Debiasing Recommender Systems [25.632817469744325]
  レコメンデーションシステムでは、潜伏変数はユーザとイテムのインタラクションデータを真のユーザの好みから逸脱させる可能性がある。 我々は、CIV4Rec.4Recと呼ばれるレコメンダシステムのための新しいデータ駆動型条件付きIV(CIV)デバイアス法を提案する。
  論文  参考訳（メタデータ） (2024-08-19T02:17:22Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• 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)
• Contrastive Learning for Conversion Rate Prediction [6.607531486024888]
  本稿では,CL4CVR(Contrastive Learning for CVR Prediction)フレームワークを提案する。 教師付きCVR予測タスクと、より良いデータ表現を学ぶための対照的な学習タスクを関連付ける。 2つの実世界の変換データセットの実験結果は、CL4CVRの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-07-12T07:42:52Z)
• Entire Space Counterfactual Learning: Tuning, Analytical Properties and Industrial Applications [5.9460659646670875]
  クリック後変換率(CVR)の推定は、長い間、サンプル選択バイアスとデータ空間の問題に悩まされてきた。 本稿では,全空間対物マルチタスクモデル (ESCM$2$) を提案する。
  論文  参考訳（メタデータ） (2022-10-20T06:19:50Z)
• Debiasing Learning for Membership Inference Attacks Against Recommender Systems [79.48353547307887]
  学習されたレコメンデータシステムは、トレーニングデータに関する情報を不注意に漏洩させ、プライバシー侵害につながる可能性がある。 我々は,推薦者システムによるプライバシー上の脅威を,会員推定のレンズを通して調査する。 本稿では,4つの主要コンポーネントを持つリコメンダシステム(DL-MIA)フレームワークに対する,メンバシップ推論攻撃に対するバイアス学習を提案する。
  論文  参考訳（メタデータ） (2022-06-24T17:57:34Z)
• ADT-SSL: Adaptive Dual-Threshold for Semi-Supervised Learning [68.53717108812297]
  Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータを併用してモデルをトレーニングすることで、高度な分類タスクを実現している。 本稿では,半教師付き学習(ADT-SSL)のための適応的デュアル閾値法を提案する。 実験の結果,提案したADT-SSLは最先端の分類精度を実現することがわかった。
  論文  参考訳（メタデータ） (2022-05-21T11:52:08Z)
• 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。