論文の概要: Robust Uplift Modeling with Large-Scale Contexts for Real-time Marketing

• arxiv url: http://arxiv.org/abs/2502.15697v1
• Date: Sat, 04 Jan 2025 08:55:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 05:53:43.982503
• Title: Robust Uplift Modeling with Large-Scale Contexts for Real-time Marketing
• Title（参考訳）: リアルタイムマーケティングのための大規模コンテキストを用いたロバスト昇降モデリング
• Authors: Zexu Sun, Qiyu Han, Minqin Zhu, Hao Gong, Dugang Liu, Chen Ma,
• Abstract要約: アップリフトモデリングは、対応するユーザを満たすために異なる処理(割引、ボーナスなど)を適用することで、この問題を解決するために提案される。 現実のシナリオでは、オンラインプラットフォーム(例えば、ショートビデオ、ニュース)で利用可能なリッチなコンテキストがあり、アップリフトモデルは各ユーザーにインセンティブを与える必要がある。 リアルタイムマーケティングのための大規模コンテキスト(UMLC)フレームワークを用いたモデルに依存しないロバスト昇降モデリングを提案する。
• 参考スコア（独自算出の注目度）: 6.511772664252086
• License:
• Abstract: Improving user engagement and platform revenue is crucial for online marketing platforms. Uplift modeling is proposed to solve this problem, which applies different treatments (e.g., discounts, bonus) to satisfy corresponding users. Despite progress in this field, limitations persist. Firstly, most of them focus on scenarios where only user features exist. However, in real-world scenarios, there are rich contexts available in the online platform (e.g., short videos, news), and the uplift model needs to infer an incentive for each user on the specific item, which is called real-time marketing. Thus, only considering the user features will lead to biased prediction of the responses, which may cause the cumulative error for uplift prediction. Moreover, due to the large-scale contexts, directly concatenating the context features with the user features will cause a severe distribution shift in the treatment and control groups. Secondly, capturing the interaction relationship between the user features and context features can better predict the user response. To solve the above limitations, we propose a novel model-agnostic Robust Uplift Modeling with Large-Scale Contexts (UMLC) framework for Real-time Marketing. Our UMLC includes two customized modules. 1) A response-guided context grouping module for extracting context features information and condensing value space through clusters. 2) A feature interaction module for obtaining better uplift prediction. Specifically, this module contains two parts: a user-context interaction component for better modeling the response; a treatment-feature interaction component for discovering the treatment assignment sensitive feature of each instance to better predict the uplift. Moreover, we conduct extensive experiments on a synthetic dataset and a real-world product dataset to verify the effectiveness and compatibility of our UMLC.
• Abstract（参考訳）: オンラインマーケティングプラットフォームでは、ユーザエンゲージメントとプラットフォーム収益の改善が不可欠だ。 この問題を解決するために、アップリフトモデリングを提案し、対応するユーザを満たすために異なる処理(例えば、割引、ボーナス)を適用する。 この分野での進歩にもかかわらず、制限は持続する。 第一に、それらのほとんどは、ユーザ機能のみが存在するシナリオに焦点を当てています。 しかし、現実のシナリオでは、オンラインプラットフォーム(例えば、ショートビデオ、ニュース)で利用可能なリッチなコンテキストがあり、アップリフトモデルは、リアルタイムマーケティングと呼ばれる特定のアイテムに対して、各ユーザに対してインセンティブを推論する必要がある。 したがって、ユーザの特徴を考慮すれば、応答のバイアスのある予測につながり、アップリフト予測の累積誤差を引き起こす可能性がある。 さらに, 大規模コンテキストのため, コンテキスト特徴とユーザ特徴を直接結合することで, 処理群と制御群の分布シフトが激しくなる。 第二に、ユーザ機能とコンテキスト機能の間のインタラクション関係をキャプチャすることで、ユーザの反応をより正確に予測できる。 上記の制約を解決するために,リアルタイムマーケティングのためのUMLCフレームワークを用いた新しいモデルに依存しないロバスト・アップリフト・モデリングを提案する。 UMLCには2つのカスタマイズされたモジュールがあります。 1) 応答誘導型コンテキストグループ化モジュールは, コンテキストを抽出し, クラスタを通して値空間を凝縮する。 2)より優れた昇降予測を得るための機能相互作用モジュール。 具体的には、応答をより良くモデル化するためのユーザコンテキストインタラクションコンポーネントと、各インスタンスの処理代入センシティブな機能を検出するための処理-機能インタラクションコンポーネントの2つを含む。 さらに、UMLCの有効性と互換性を検証するために、合成データセットと実世界の製品データセットについて広範な実験を行う。

関連論文リスト

• LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
  本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。 提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• Beyond the Turn-Based Game: Enabling Real-Time Conversations with Duplex Models [66.24055500785657]
  従来のターンベースのチャットシステムは、ユーザが応答を生成している間に、システムが言葉で対話することを防ぐ。 これらの制限を克服するため,既存のLCMをユーザを聴きながら出力を生成し,ユーザに対して即時フィードバックを提供する。 クエリとレスポンスの時間スライスを交互に行うデータセットを構築し、インスタントインタラクションにおける典型的なフィードバックタイプをカバーする。
  論文  参考訳（メタデータ） (2024-06-22T03:20:10Z)
• LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
  現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。 これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。 本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T07:24:42Z)
• CELA: Cost-Efficient Language Model Alignment for CTR Prediction [70.65910069412944]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最重要位置を占める。 最近の取り組みは、プレトレーニング言語モデル(PLM)を統合することでこれらの課題を緩和しようとしている。 CTR予測のためのtextbfCost-textbfEfficient textbfLanguage Model textbfAlignment (textbfCELA)を提案する。
  論文  参考訳（メタデータ） (2024-05-17T07:43:25Z)
• SoMeR: Multi-View User Representation Learning for Social Media [1.7949335303516192]
  本稿では,ソーシャルメディアのユーザ表現学習フレームワークであるSoMeRを提案する。 SoMeRは、ユーザ投稿ストリームをタイムスタンプ付きテキスト機能のシーケンスとしてエンコードし、トランスフォーマーを使用してプロファイルデータと共にそれを埋め込み、リンク予測とコントラスト学習の目標を共同でトレーニングする。 1)類似コンテンツを同時に投稿するユーザを検出することによって、協調的な影響操作に関わる不正確なアカウントを同定し、2)異なる信念を持つユーザがより遠くへ移動する様子を定量化して、主要なイベント後のオンライン議論における偏光の増大を測定する。
  論文  参考訳（メタデータ） (2024-05-02T22:26:55Z)
• Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts [95.09994361995389]
  Relative Preference Optimization (RPO) は、同一のプロンプトと関連するプロンプトの両方から、より多く、あまり好まれない応答を識別するように設計されている。 RPOは、大きな言語モデルをユーザの好みに合わせて調整し、トレーニングプロセスにおける適応性を改善する優れた能力を示している。
  論文  参考訳（メタデータ） (2024-02-12T22:47:57Z)
• UniMatch: A Unified User-Item Matching Framework for the Multi-purpose Merchant Marketing [27.459774494479227]
  1つのモデルでアイテムレコメンデーションとユーザターゲティングを同時に行うために,統合されたユーザイテムマッチングフレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して大幅に性能が向上し、計算資源や日々のメンテナンスにかかるコストが大幅に削減された。
  論文  参考訳（メタデータ） (2023-07-19T13:49:35Z)
• Explicit Feature Interaction-aware Uplift Network for Online Marketing [25.325081105648096]
  アップリフトモデリングは、異なる治療が異なるユーザーを動機づける程度を正確に捉えることを目的としています。 本稿では,これらの2つの問題に対処するために,明示的な機能インタラクション対応アップリフトネットワーク(EFIN)を提案する。 我々のEFINは、大規模なオンライン金融プラットフォームのクレジットカード支払いシナリオに展開され、大幅な改善がなされました。
  論文  参考訳（メタデータ） (2023-06-01T03:26:11Z)
• Parameter-free Dynamic Graph Embedding for Link Prediction [18.104685554457394]
  FreeGEMはリンク予測のためのパラメータフリーな動的グラフ埋め込み手法である。 その結果,FreeGEMは36倍以上の効率向上を実現しつつ,最先端の手法よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2022-10-15T04:17:09Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)
• Interpretable Deep Learning Model for Online Multi-touch Attribution [14.62385029537631]
  本稿では,深層学習モデルとオンラインマルチタッチ属性の解釈のための付加的特徴説明モデルを組み合わせたDeepMTAという新しいモデルを提案する。 MTAの最初の解釈可能なディープラーニングモデルとして、DeepMTAは、顧客ジャーニーにおける3つの重要な特徴について検討している。 実データセットの評価は、提案した変換予測モデルが91%の精度を達成することを示している。
  論文  参考訳（メタデータ） (2020-03-26T23:21:40Z)

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。