論文の概要: Personalized Contest Recommendation in Fantasy Sports

• arxiv url: http://arxiv.org/abs/2508.14065v1
• Date: Mon, 11 Aug 2025 07:22:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.145373
• Title: Personalized Contest Recommendation in Fantasy Sports
• Title（参考訳）: ファンタシースポーツにおけるパーソナライズされたコンテスト勧告
• Authors: Madiraju Srilakshmi, Kartavya Kothari, Kamlesh Marathe, Vedavyas Chigurupati, Hitesh Kapoor,
• Abstract要約: 本稿では,WiDIR(Wide and Deep Interaction Ranker)をベースとした,スケーラブルなコンテストレコメンデーションシステムを提案する。 オンライン実験は、リコールやその他の重要なビジネス指標の観点から、他の候補モデルよりも顕著に改善されている。
• 参考スコア（独自算出の注目度）: 0.3984581084039074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In daily fantasy sports, players enter into "contests" where they compete against each other by building teams of athletes that score fantasy points based on what actually occurs in a real-life sports match. For any given sports match, there are a multitude of contests available to players, with substantial variation across 3 main dimensions: entry fee, number of spots, and the prize pool distribution. As player preferences are also quite heterogeneous, contest personalization is an important tool to match players with contests. This paper presents a scalable contest recommendation system, powered by a Wide and Deep Interaction Ranker (WiDIR) at its core. We productionized this system at our company, one of the large fantasy sports platforms with millions of daily contests and millions of players, where online experiments show a marked improvement over other candidate models in terms of recall and other critical business metrics.
• Abstract（参考訳）: 日々のファンタジースポーツでは、プレイヤーは「コンテスト」に入り、現実のスポーツの試合で実際に起こっていることに基づいてファンタジーポイントを獲得するアスリートのチームを構築する。 特定のスポーツの試合には、入場料、スポット数、賞品プールの分配の3つの主要な次元にかなりのバリエーションがある多くの競技者が参加できる。 プレイヤーの嗜好も極めて異種であるため、コンテストのパーソナライゼーションはプレイヤーとコンテストをマッチさせる重要なツールである。 本稿では,WiDIR(Wide and Deep Interaction Ranker)をベースとした,スケーラブルなコンテストレコメンデーションシステムを提案する。 私たちはこのシステムを、毎日何百万ものコンテストや何百万ものプレーヤーが参加する大規模なファンタジースポーツプラットフォームである当社で生産しました。

関連論文リスト

• SPARTA ALIGNMENT: Collectively Aligning Multiple Language Models through Combat [73.529925653031]
  SPARTA ALIGNMENT(SPARTA ALIGNMENT)を提案する。 各イテレーションにおいて、1つの命令と2つのモデルがデュエルのために選択され、他のモデルが2つのレスポンスを評価し、それらの評価スコアは、適応されたエロランクベースの評価システムを介して集約される。 ピア評価された戦闘結果は、敗戦よりも勝利の反応が優先される選好ペアとなり、各イテレーションの最後にこれらの選好からすべてのモデルが学習される。
  論文  参考訳（メタデータ） (2025-06-05T07:51:23Z)
• Optimizing Fantasy Sports Team Selection with Deep Reinforcement Learning [0.2399911126932527]
  我々は,チームの潜在的なパフォーマンスを最大化するために,プレイヤーを適応的に選択できるモデルを開発する。 我々の手法は、過去のプレイヤーデータを利用してRLアルゴリズムを訓練し、将来のパフォーマンスを予測し、チーム構成を最適化する。 以上の結果から,RLベースの戦略が,ファンタジースポーツにおける選手選択に有意義な洞察をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2024-12-26T13:36:18Z)
• Multi-agent Multi-armed Bandits with Stochastic Sharable Arm Capacities [69.34646544774161]
  我々は、各アームへのリクエストの到着とプレイヤーへのリクエストの割り当てポリシーをキャプチャするマルチプレイヤーマルチアーム・バンディット(MAB)モデルの新しいバリエーションを定式化する。 課題は、プレイヤーが最適な腕引きプロファイルに従って腕を選択するように分散学習アルゴリズムを設計する方法である。 我々は,Mラウンドのみの最適腕引きプロファイルにおいて,プレイヤーがコンセンサスに達することを保証した反復分散アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-08-20T13:57:00Z)
• Luck, skill, and depth of competition in games and social hierarchies [0.6345523830122168]
  社会的競争は「深い」傾向にあり、多くの異なる階層を持つ。 ほとんどのケースでは、階層の浅さによって既に示唆されているもの以外、動揺する証拠はほとんどない。
  論文  参考訳（メタデータ） (2023-12-07T21:42:44Z)
• All by Myself: Learning Individualized Competitive Behaviour with a Contrastive Reinforcement Learning optimization [57.615269148301515]
  競争ゲームのシナリオでは、エージェントのセットは、彼らの目標を最大化し、敵の目標を同時に最小化する決定を学習する必要があります。 本稿では,競争ゲームの表現を学習し,特定の相手の戦略をどうマップするか,それらを破壊するかを学習する3つのニューラルネットワーク層からなる新しいモデルを提案する。 我々の実験は、オフライン、オンライン、競争特化モデル、特に同じ対戦相手と複数回対戦した場合に、我々のモデルがより良いパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2023-10-02T08:11:07Z)
• DraftRec: Personalized Draft Recommendation for Winning in Multi-Player Online Battle Arena Games [25.615312782084455]
  本稿では,マルチプレイヤーオンラインバトルアリーナ(MOBA)ゲームのためのパーソナライズされたキャラクターレコメンデーションシステムを提案する。 本稿では,各プレイヤーのチャンピオン選好とプレイヤー間の相互作用を考慮し,キャラクターを推薦する新しい階層モデルであるDraftRecを提案する。 私たちは、手作業で集めた280,000試合のレジェンドと、一般公開されている5万試合のDota2からモデルをトレーニングし、評価します。
  論文  参考訳（メタデータ） (2022-04-27T07:46:17Z)
• Retrospective on the 2021 BASALT Competition on Learning from Human Feedback [92.37243979045817]
  競争の目的は、人間のフィードバック(LfHF)技術から学び、オープンワールドの課題を解決するエージェントへの研究を促進することであった。 LfHF技術の使用を義務付けるのではなく、ビデオゲームMinecraftで達成すべき自然言語の4つのタスクについて説明した。 チームは、様々な可能な人間のフィードバックタイプにまたがる多様なLfHFアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-04-14T17:24:54Z)
• The Evaluation of Rating Systems in Team-based Battle Royale Games [4.168733556014873]
  本稿では,25,000人以上のチームバトルロイヤルマッチのリアルタイムデータセット上で,3つの人気評価システムを評価するためのいくつかの指標の有用性について検討する。 正規化割引累積ゲイン (NDCG) は信頼性が高く, 柔軟性が高かった。
  論文  参考訳（メタデータ） (2021-05-28T19:22:07Z)
• An Elo-like System for Massive Multiplayer Competitions [1.8782750537161612]
  参加者数の多いコンテストを対象とした新しいベイズ評価システムを提案する。 それは離散的なランク付けされたマッチの競争のフォーマットに広く適当です。 システムにはインセンティブが整い、すなわち、格付けを最大化しようとするプレイヤーは、決してパフォーマンスを損なうことはない。
  論文  参考訳（メタデータ） (2021-01-02T08:14:31Z)
• Competing Bandits: The Perils of Exploration Under Competition [99.68537519404727]
  オンラインプラットフォーム上での探索と競争の相互作用について検討する。 私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。 競争を弱めるための2つのチャンネルについて検討する。
  論文  参考訳（メタデータ） (2020-07-20T14:19:08Z)

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。