論文の概要: Graph Neural Network Enhanced Sequential Recommendation Method for Cross-Platform Ad Campaign

• arxiv url: http://arxiv.org/abs/2507.08959v1
• Date: Fri, 11 Jul 2025 18:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:21.964888
• Title: Graph Neural Network Enhanced Sequential Recommendation Method for Cross-Platform Ad Campaign
• Title（参考訳）: グラフニューラルネットを用いたクロスプラットフォーム広告キャンペーンのための逐次推薦手法
• Authors: Xiang Li, Xinyu Wang, Yifan Lin,
• Abstract要約: グラフニューラルネットワーク(GNN)に基づく広告推薦手法を解析する。 ユーザの行動データ(例えば、クリック頻度、アクティブ期間)は、関心の進化の時間的パターンを明らかにする。 プラットフォーム機能(デバイスタイプ、使用状況など)は、関心が遷移する環境を形作る。
• 参考スコア（独自算出の注目度）: 7.527164593769052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In order to improve the accuracy of cross-platform advertisement recommendation, a graph neural network (GNN)- based advertisement recommendation method is analyzed. Through multi-dimensional modeling, user behavior data (e.g., click frequency, active duration) reveal temporal patterns of interest evolution, ad content (e.g., type, tag, duration) influences semantic preferences, and platform features (e.g., device type, usage context) shape the environment where interest transitions occur. These factors jointly enable the GNN to capture the latent pathways of user interest migration across platforms. The experimental results are based on the datasets of three platforms, and Platform B reaches 0.937 in AUC value, which is the best performance. Platform A and Platform C showed a slight decrease in precision and recall with uneven distribution of ad labels. By adjusting the hyperparameters such as learning rate, batch size and embedding dimension, the adaptability and robustness of the model in heterogeneous data are further improved.
• Abstract（参考訳）: クロスプラットフォーム広告レコメンデーションの精度を向上させるため、グラフニューラルネットワーク(GNN)に基づく広告レコメンデーション手法を解析した。 多次元モデリングにより、ユーザ行動データ(例えば、クリック頻度、アクティブ期間)は、関心の進化の時間的パターン、広告内容(例えば、タイプ、タグ、期間)が意味的嗜好に影響を与えること、プラットフォーム特徴(例えば、デバイスタイプ、使用状況)が関心の遷移が起こる環境を形作る。 これらの要因により、GNNはプラットフォーム間のユーザ関心移動の潜在経路を捕捉することができる。 実験結果は3つのプラットフォームのデータセットに基づいており、Bプラットフォームは最高のパフォーマンスであるAUC値の0.937に達する。 プラットフォームAとプラットフォームCは,広告ラベルの不均一な分布で精度とリコールがわずかに低下した。 学習速度、バッチサイズ、埋め込み次元などのハイパーパラメータを調整することにより、不均一データにおけるモデルの適応性とロバスト性をさらに向上する。

関連論文リスト

• SEP-GCN: Leveraging Similar Edge Pairs with Temporal and Spatial Contexts for Location-Based Recommender Systems [0.0]
  SEP-GCNは、文脈的に類似した相互作用エッジのペアから学習する新しいグラフベースのレコメンデーションフレームワークである。 SEP-GCNは、類似の時間的ウィンドウや地理的近接で発生するエッジペアを識別することにより、コンテキスト的類似性リンクでユーザ-itemグラフを拡張する。 ベンチマークデータセットの実験では、SEP-GCNは予測精度とロバスト性の両方において、強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-19T03:48:30Z)
• Continuous Online Adaptation Driven by User Interaction for Medical Image Segmentation [4.108648382853423]
  インタラクティブセグメンテーションモデルは、マウスクリックなどのリアルタイムユーザインタラクションを、モデル予測を動的に洗練するために追加入力として使用する。 モデル配置後、モデル予測のユーザ修正を使用して、モデルをデプロイ後のデータ分布に適応させることができる。 本稿では,対話型セグメンテーションモデルをユーザインタラクションから継続的に学習するオンライン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-09T18:19:08Z)
• Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
  ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。 従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。 本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
  論文  参考訳（メタデータ） (2024-11-19T09:16:25Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。