論文の概要: Tweedie Regression for Video Recommendation System

• arxiv url: http://arxiv.org/abs/2505.06445v1
• Date: Fri, 09 May 2025 21:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.845175
• Title: Tweedie Regression for Video Recommendation System
• Title（参考訳）: ビデオレコメンデーションシステムにおけるツイーディ回帰
• Authors: Yan Zheng, Qiang Chen, Chenglei Niu,
• Abstract要約: ビデオレコメンデーションサービスでは、ビデオ・オン・デマンド(VOD)の目的は、単にクリックを奨励するだけでなく、ユーザーが真の興味を見出すよう誘導することにも及び、視聴時間の増加につながっている。 本研究は、ユーザ視聴時間による収益の最大化に着目し、分類から回帰への問題を再定義することでこの問題に対処する。 推奨に肯定的なラベルがないため、この研究はTweedie Loss Functionを導入し、これは従来の平均二乗誤差よりもこのシナリオに適している。
• 参考スコア（独自算出の注目度）: 11.394585784323596
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern recommendation systems aim to increase click-through rates (CTR) for better user experience, through commonly treating ranking as a classification task focused on predicting CTR. However, there is a gap between this method and the actual objectives of businesses across different sectors. In video recommendation services, the objective of video on demand (VOD) extends beyond merely encouraging clicks, but also guiding users to discover their true interests, leading to increased watch time. And longer users watch time will leads to more revenue through increased chances of presenting online display advertisements. This research addresses the issue by redefining the problem from classification to regression, with a focus on maximizing revenue through user viewing time. Due to the lack of positive labels on recommendation, the study introduces Tweedie Loss Function, which is better suited in this scenario than the traditional mean square error loss. The paper also provides insights on how Tweedie process capture users diverse interests. Our offline simulation and online A/B test revealed that we can substantially enhance our core business objectives: user engagement in terms of viewing time and, consequently, revenue. Additionally, we provide a theoretical comparison between the Tweedie Loss and the commonly employed viewing time weighted Logloss, highlighting why Tweedie Regression stands out as an efficient solution. We further outline a framework for designing a loss function that focuses on a singular objective.
• Abstract（参考訳）: 現代のレコメンデーションシステムは、クリックスルー率(CTR)を向上し、CTRの予測に焦点をあてた分類タスクとしてランキングを一般的に扱うことで、ユーザーエクスペリエンスを向上させることを目的としている。 しかし、この方法と異なる分野のビジネスの実際の目的との間にはギャップがある。 ビデオレコメンデーションサービスでは、ビデオ・オン・デマンド(VOD)の目的は、単にクリックを奨励するだけでなく、ユーザーが真の興味を見出すよう誘導することにも及び、視聴時間の増加につながっている。 そして、ユーザーが視聴する時間が長ければ、オンラインディスプレイ広告を提示する機会が増えることで、より多くの収入を得ることになる。 本研究は、ユーザ視聴時間による収益の最大化に着目し、分類から回帰への問題を再定義することでこの問題に対処する。 推奨に肯定的なラベルがないため、この研究はTweedie Loss Functionを導入し、これは従来の平均二乗誤差よりもこのシナリオに適している。 論文はまた、Tweedieプロセスがユーザーの興味をいかに捉えているかについての洞察も提供する。 オフラインシミュレーションとオンラインA/Bテストによって、ユーザエンゲージメントという、視聴時間と結果として収益という、ビジネスのコア目標が大幅に向上することが明らかになりました。 さらに、ツイーディ・ロスと一般的に使用される視聴時間重み付けログスを理論的に比較し、ツイーディ・レグレッションが効率的な解決策である理由を強調した。 さらに、特定の目的に焦点をあてた損失関数を設計するためのフレームワークについて概説する。

関連論文リスト

• ViVa: Video-Trained Value Functions for Guiding Online RL from Diverse Data [56.217490064597506]
  広範に利用可能なビデオデータから学習することで、RLを自動的に誘導するデータ駆動手法を提案し、分析する。 インテント条件付き値関数を使用して、多様なビデオから学び、これらのゴール条件付き値を報酬に組み込む。 実験により、ビデオ学習値関数は、様々なデータソースとうまく機能し、人間のビデオ事前学習からのポジティブな転送を示し、目に見えない目標に一般化し、データセットサイズでスケールできることが示されている。
  論文  参考訳（メタデータ） (2025-03-23T21:24:33Z)
• Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
  短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。 最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。 本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:48:55Z)
• SWaT: Statistical Modeling of Video Watch Time through User Behavior Analysis [15.246875830547056]
  本稿では,ビデオの視聴時の様々なユーザの行動仮定を統計的視聴時間モデルに変換するホワイトボックス統計フレームワークを提案する。 当社のモデルは、2つのパブリックデータセット、大規模なオフライン産業データセット、および数億人のデイリーアクティブユーザを持つ短いビデオプラットフォーム上でオンラインA/Bテストで広範囲にテストしています。
  論文  参考訳（メタデータ） (2024-08-14T18:19:35Z)
• Retargeting video with an end-to-end framework [14.270721529264929]
  本稿では,動画を任意の比率に再ターゲティングするためのエンドツーエンドのRETVI手法を提案する。 私たちのシステムは、以前よりも品質と実行時間で優れています。
  論文  参考訳（メタデータ） (2023-11-08T04:56:41Z)
• Towards Video Anomaly Retrieval from Video Anomaly Detection: New Benchmarks and Model [70.97446870672069]
  ビデオ異常検出(VAD)はその潜在的な応用により注目されている。 Video Anomaly Retrieval (VAR)は、関連のある動画をモダリティによって実用的に検索することを目的としている。 一般的な異常データセットの上に構築されたUCFCrime-ARとXD-Violenceの2つのベンチマークを示す。
  論文  参考訳（メタデータ） (2023-07-24T06:22:37Z)
• Graph Based Long-Term And Short-Term Interest Model for Click-Through Rate Prediction [8.679270588565398]
  GLSMと呼ばれるグラフに基づく長期短期利害モデルを提案する。 長期ユーザ行動のキャプチャのための多目的グラフ構造と、短期情報モデリングのための多シナリオ異種シーケンスモデルと、長期および短期行動からの融合情報に対する適応的融合機構とから構成される。
  論文  参考訳（メタデータ） (2023-06-05T07:04:34Z)
• Debiasing Meta-Gradient Reinforcement Learning by Learning the Outer Value Function [69.59204851882643]
  メタグラディエントRLアプローチのメタグラディエントにおけるバイアスを同定する。 このバイアスは、メタ学習された割引係数を用いてトレーニングされた批評家を用いて、外的目的の利点を推定することに由来する。 メタ学習型割引因子は、通常、外側の目的で使用されるものよりも低いため、結果として生じるバイアスは、メタ学習型が筋電図のポリシーを好む原因となる。
  論文  参考訳（メタデータ） (2022-11-19T00:59:20Z)
• 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)
• Self-Regulated Learning for Egocentric Video Activity Anticipation [147.9783215348252]
  自己制御学習(SRL)は、中間表現を連続的に制御し、現在のタイムスタンプのフレームにおける新しい情報を強調する表現を作り出すことを目的としている。 SRLは2つのエゴセントリックなビデオデータセットと2つの第三者のビデオデータセットにおいて、既存の最先端技術よりも大幅に優れています。
  論文  参考訳（メタデータ） (2021-11-23T03:29:18Z)
• Reducing Representation Drift in Online Continual Learning [87.71558506591937]
  私たちは、エージェントが制限されたメモリと計算で変化する分布から学ぶ必要があるオンライン連続学習パラダイムを研究します。 この作業では、入ってくるデータストリームに未観測のクラスサンプルが導入されることにより、事前に観測されたデータの表現の変化に焦点を合わせます。
  論文  参考訳（メタデータ） (2021-04-11T15:19:30Z)

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。