論文の概要: Personalized Tree based progressive regression model for watch-time prediction in short video recommendation

• arxiv url: http://arxiv.org/abs/2505.22153v1
• Date: Wed, 28 May 2025 09:18:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.529088
• Title: Personalized Tree based progressive regression model for watch-time prediction in short video recommendation
• Title（参考訳）: ショートビデオレコメンデーションにおける時計時間予測のためのパーソナライズされた木に基づく回帰回帰モデル
• Authors: Xiaokai Chen, Xiao Lin, Changcheng Li, Peng Jiang,
• Abstract要約: TPM(Tree based Progressive Regression Model)は、慎重に設計され効果的な分解パラダイムを用いて、最先端のパフォーマンスを達成する。 TPMはウォッチタイムをいくつかの順序間隔に識別し、各ノードが特定の間隔に対応する二分決定ツリーに整理する。 そこで我々はPTPMを提案し,より優れた有効性と効率で時計推定の高度にパーソナライズされた分解を可能にする。
• 参考スコア（独自算出の注目度）: 9.069136070392906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In online video platforms, accurate watch time prediction has become a fundamental and challenging problem in video recommendation. Previous research has revealed that the accuracy of watch time prediction highly depends on both the transformation of watch-time labels and the decomposition of the estimation process. TPM (Tree based Progressive Regression Model) achieves State-of-the-Art performance with a carefully designed and effective decomposition paradigm. TPM discretizes the watch time into several ordinal intervals and organizes them into a binary decision tree, where each node corresponds to a specific interval. At each non-leaf node, a binary classifier is used to determine the specific interval in which the watch time variable most likely falls, based on the prediction outcome at its parent node. The tree structure serves as the core of TPM, as it defines the decomposition of watch time estimation and determines how the ordinal intervals are discretized. However, in TPM, the tree is predefined as a full binary tree, which may be sub-optimal for the following reasons. First, a full binary tree implies an equal partitioning of the watch time space, which may struggle to capture the complexity of real-world watch time distributions. Second, instead of relying on a globally fixed tree structure, we advocate for a personalized, data-driven tree that can be learned in an end-to-end manner. Therefore, we propose PTPM to enable a highly personalized decomposition of watch estimation with better efficacy and efficiency. Moreover, we reveal that TPM is affected by selection bias due to conditional modeling and devise a simple approach to address it. We conduct extensive experiments on both offline datasets and online environments. PTPM has been fully deployed in core traffic scenarios and serves more than 400 million users per day.
• Abstract（参考訳）: オンラインビデオプラットフォームでは、正確な視聴時間予測がビデオレコメンデーションの基本的な課題となっている。 これまでの研究では、時計時間予測の精度は、時計時間ラベルの変換と推定過程の分解の両方に大きく依存していることが明らかになっている。 TPM(Tree based Progressive Regression Model)は、慎重に設計され効果的な分解パラダイムを用いて、最先端のパフォーマンスを達成する。 TPMはウォッチタイムをいくつかの順序間隔に識別し、各ノードが特定の間隔に対応する二分決定ツリーに整理する。 各非リーフノードでは、親ノードの予測結果に基づいて、時計時間変数が最も低下する可能性のある特定の間隔を決定するためにバイナリ分類器が使用される。 木構造は、時計時間推定の分解を定義し、順序間隔がどのように離散化されるかを決定するため、TPMのコアとして機能する。 しかし、TPMでは、この木は完全な二分木として事前に定義されており、これは以下の理由で最適ではないかもしれない。 まず、完全なバイナリツリーは、ウォッチ時間空間の均等なパーティショニングを意味し、実際のウォッチ時間分布の複雑さを捉えるのに苦労する可能性がある。 第二に、グローバルに固定されたツリー構造に頼るのではなく、エンド・ツー・エンドで学習可能なパーソナライズされたデータ駆動ツリーを提唱する。 そこで我々はPTPMを提案し,より優れた有効性と効率で時計推定の高度にパーソナライズされた分解を可能にする。 さらに、TPMは条件付きモデリングによる選択バイアスの影響を受けており、それに対処するための簡単なアプローチを考案する。 オフラインのデータセットとオンライン環境の両方で広範な実験を行います。 PTPMは、コアトラフィックシナリオに完全にデプロイされており、1日に4億人以上のユーザにサービスを提供している。

関連論文リスト

• 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)
• TimeRefine: Temporal Grounding with Time Refining Video LLM [75.99665302872901]
  ビデオの時間的接地は、テキストのプロンプトが与えられたビデオの中で、関連する時間的境界をローカライズすることを目的としている。 我々は時間的接地タスクを時間的精錬タスクとして再構成する。 我々は、予測セグメントが基底真理からさらに逸脱した場合、モデルをよりペナルティ化する補助予測ヘッドを組み込む。
  論文  参考訳（メタデータ） (2024-12-12T18:59:11Z)
• MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
  私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。 MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。 MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-07-06T09:12:13Z)
• Diffusion Probabilistic Models for Structured Node Classification [22.02390166559939]
  本稿では,ノードラベル間の依存関係を考慮したグラフ上のノード分類について検討する。 構造ノード分類(DPM-SNC)における拡散確率モデルを利用した新しいフレームワークを提案する。 我々は、部分ラベル付きグラフ上の帰納的設定だけでなく、帰納的設定や未ラベル付きグラフを含む様々なシナリオにおけるDPM-SNCの優位性を広く検証する。
  論文  参考訳（メタデータ） (2023-02-21T08:11:38Z)
• Hypotheses Tree Building for One-Shot Temporal Sentence Localization [53.82714065005299]
  ワンショット時間文のローカライゼーション(ワンショットTSL)は、1つの注釈付きフレームだけでビデオ全体のクエリ情報を取得することを学習する。 我々はMHST(Multiple hypotheses Segment Tree)と呼ばれるワンショットTSLのための有効で斬新な木構造ベースラインを提案する。 MHSTは、不十分なアノテーションの下で、クエリ対応の識別フレーム情報をキャプチャする。
  論文  参考訳（メタデータ） (2023-01-05T01:50:43Z)
• SETAR-Tree: A Novel and Accurate Tree Algorithm for Global Time Series Forecasting [7.206754802573034]
  本稿では,TARモデルと回帰木との密接な関係について検討する。 本研究では,葉のグローバルプール回帰(PR)モデルをトレーニングする,予測固有木アルゴリズムを提案する。 本評価では, 提案した樹木モデルと森林モデルを用いて, 最先端の樹木モデルよりも精度の高い木モデルを提案する。
  論文  参考訳（メタデータ） (2022-11-16T04:30:42Z)
• Respecting Time Series Properties Makes Deep Time Series Forecasting Perfect [3.830797055092574]
  時系列予測モデルにおいて、時間的特徴をどのように扱うかが重要な問題である。 本稿では,3つの有意だが未確立の深層時系列予測機構を厳密に分析する。 上記の分析に基づいて,新しい時系列予測ネットワーク,すなわちRTNetを提案する。
  論文  参考訳（メタデータ） (2022-07-22T08:34:31Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Time-series Imputation and Prediction with Bi-Directional Generative Adversarial Networks [0.3162999570707049]
  本稿では,不規則に観測された時系列データと不規則なエントリを含む長さの時系列データの計算と予測を併用したタスクのモデルを提案する。 我々のモデルは、入力時間ステップ(予測)の内側または外側の欠落した要素をインプットする方法を学び、したがって、時系列データに有効な任意の時間予測ツールとして機能する。
  論文  参考訳（メタデータ） (2020-09-18T15:47:51Z)

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。