論文の概要: PRECTR: A Synergistic Framework for Integrating Personalized Search Relevance Matching and CTR Prediction

• arxiv url: http://arxiv.org/abs/2503.18395v2
• Date: Wed, 26 Mar 2025 14:38:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:21:14.531795
• Title: PRECTR: A Synergistic Framework for Integrating Personalized Search Relevance Matching and CTR Prediction
• Title（参考訳）: PreCTR: パーソナライズされた検索関連マッチングとCTR予測の統合のための相乗的フレームワーク
• Authors: Rong Chen, Shuzhi Cao, Ailong He, Shuguang Han, Jufeng Chen,
• Abstract要約: 検索レコメンデーションシステムにおける2つの主要なタスクは、検索関連性マッチングとクリックスルー率(CTR)予測である。 パーソナライズされた検索関連マッチングとCTR予測融合モデル(PRECTR)を提案する。 具体的には、CTR予測と検索関連性マッチングを1つのフレームワークに統合し、2つのモジュールの相互作用と一貫性を強化する。
• 参考スコア（独自算出の注目度）: 3.753643743882433
• License:
• Abstract: The two primary tasks in the search recommendation system are search relevance matching and click-through rate (CTR) prediction -- the former focuses on seeking relevant items for user queries whereas the latter forecasts which item may better match user interest. Prior research typically develops two models to predict the CTR and search relevance separately, then ranking candidate items based on the fusion of the two outputs. However, such a divide-and-conquer paradigm creates the inconsistency between different models. Meanwhile, the search relevance model mainly concentrates on the degree of objective text matching while neglecting personalized differences among different users, leading to restricted model performance. To tackle these issues, we propose a unified Personalized Search RElevance Matching and CTR Prediction Fusion Model(PRECTR). Specifically, based on the conditional probability fusion mechanism, PRECTR integrates the CTR prediction and search relevance matching into one framework to enhance the interaction and consistency of the two modules. However, directly optimizing CTR binary classification loss may bring challenges to the fusion model's convergence and indefinitely promote the exposure of items with high CTR, regardless of their search relevance. Hence, we further introduce two-stage training and semantic consistency regularization to accelerate the model's convergence and restrain the recommendation of irrelevant items. Finally, acknowledging that different users may have varied relevance preferences, we assessed current users' relevance preferences by analyzing past users' preferences for similar queries and tailored incentives for different candidate items accordingly. Extensive experimental results on our production dataset and online A/B testing demonstrate the effectiveness and superiority of our proposed PRECTR method.
• Abstract（参考訳）: 検索レコメンデーションシステムの2つの主要なタスクは、検索関連性マッチングとクリックスルー率(CTR)予測である。 従来の研究では、CTRと検索関連性を別々に予測し、2つの出力の融合に基づいて候補項目をランク付けする2つのモデルが開発されている。 しかし、そのような分割・対数パラダイムは異なるモデル間の矛盾を生み出す。 一方、検索関連モデルは、主に目的のテキストマッチングの程度に焦点を合わせ、異なるユーザ間のパーソナライズされた差異を無視し、モデル性能を制限している。 これらの課題に対処するために,Personalized Search Relevance Matching と CTR Prediction Fusion Model (PRECTR) を提案する。 具体的には、条件付き確率融合機構に基づき、PreCTRはCTR予測と検索関連性マッチングを1つのフレームワークに統合し、2つのモジュールの相互作用と一貫性を強化する。 しかし、直接最適化されたCTRバイナリ分類損失は、融合モデルの収束に困難をもたらし、その検索関連性に関係なく、高いCTRによるアイテムの露出を無期限に促進する可能性がある。 そこで本研究では,モデルの収束を加速し,無関係な項目の推薦を抑えるために,さらに2段階のトレーニングとセマンティック一貫性の規則化を導入する。 最後に,異なる利用者の関連性嗜好が変化していることを認識し,過去の利用者の類似した質問に対する嗜好を分析し,異なる候補項目に対するインセンティブを調整することにより,現在の利用者の関連性選好を評価した。 生産データセットとオンラインA/Bテストの大規模な実験結果から,提案手法の有効性と優位性を実証した。

関連論文リスト

• CRM: Retrieval Model with Controllable Condition [23.936944737868465]
  制御可能な検索モデルでは,レグレッション情報を条件付き特徴として2tower検索パラダイムに統合する。 我々は,現実世界のA/Bテストを通じてCRMの有効性を検証するとともに,クアイショーショートビデオレコメンデーションシステムにおけるCRM導入の成功例を示す。
  論文  参考訳（メタデータ） (2024-12-18T13:37:36Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• An accuracy improving method for advertising click through rate prediction based on enhanced xDeepFM model [0.0]
  本稿では,xDeepFMアーキテクチャに基づく改良型CTR予測モデルを提案する。 マルチヘッド・アテンション・メカニズムを統合することで、モデルは機能相互作用の異なる側面に同時に焦点を合わせることができる。 Criteoデータセットの実験結果は、提案モデルが他の最先端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） (2024-11-21T03:21:29Z)
• Click-Conversion Multi-Task Model with Position Bias Mitigation for Sponsored Search in eCommerce [51.211924408864355]
  位置認識型クリック変換(PACC)と位置埋め込み(PACC-PE)によるPACCの2つの位置バイアスのない予測モデルを提案する。 Eコマースが支援する製品検索データセットの実験により、提案したモデルではランキングの有効性が向上し、CTRとCVRの予測における位置バイアスを大幅に軽減できることが示された。
  論文  参考訳（メタデータ） (2023-07-29T19:41:16Z)
• Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
  TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。 我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。 実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T06:02:01Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction [76.98616102965023]
  クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。 本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T01:21:21Z)
• Heterogeneous Network Embedding for Deep Semantic Relevance Match in E-commerce Search [29.881612817309716]
  Eコマースアイテム関連性のためのエンドツーエンドの第一次および第二次関連性予測モデルを設計します。 BERTから生成された外部知識を導入し,ユーザ行動のネットワークを改良する。 オフライン実験の結果,新しいモデルにより,人間関係判定における予測精度が有意に向上した。
  論文  参考訳（メタデータ） (2021-01-13T03:12:53Z)
• Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
  そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。 提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。 視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
  論文  参考訳（メタデータ） (2020-07-15T21:58:39Z)

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。