論文の概要: Deep Multiple Quantization Network on Long Behavior Sequence for Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2508.20865v1
• Date: Thu, 28 Aug 2025 14:58:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.462827
• Title: Deep Multiple Quantization Network on Long Behavior Sequence for Click-Through Rate Prediction
• Title（参考訳）: クリックスルーレート予測のための長行動系列の深部多重量子化ネットワーク
• Authors: Zhuoxing Wei, Qi Liu, Qingchen Xie,
• Abstract要約: CTR(Click-Through Rate)予測では、長い行動列が候補項目に対するユーザの関心を評価する上で重要な影響を与える。 本稿では,DMQN(Deep Multiple Quantization Network)を提案する。 広告システムにおけるA/Bテストでは、DMQNはCTRを3.5%改善し、RPMを2.0%改善した。
• 参考スコア（独自算出の注目度）: 5.465812199325144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Click-Through Rate (CTR) prediction, the long behavior sequence, comprising the user's long period of historical interactions with items has a vital influence on assessing the user's interest in the candidate item. Existing approaches strike efficiency and effectiveness through a two-stage paradigm: first retrieving hundreds of candidate-related items and then extracting interest intensity vector through target attention. However, we argue that the discrepancy in target attention's relevance distribution between the retrieved items and the full long behavior sequence inevitably leads to a performance decline. To alleviate the discrepancy, we propose the Deep Multiple Quantization Network (DMQN) to process long behavior sequence end-to-end through compressing the long behavior sequence. Firstly, the entire spectrum of long behavior sequence will be quantized into multiple codeword sequences based on multiple independent codebooks. Hierarchical Sequential Transduction Unit is incorporated to facilitate the interaction of reduced codeword sequences. Then, attention between the candidate and multiple codeword sequences will output the interest vector. To enable online serving, intermediate representations of the codeword sequences are cached, significantly reducing latency. Our extensive experiments on both industrial and public datasets confirm the effectiveness and efficiency of DMQN. The A/B test in our advertising system shows that DMQN improves CTR by 3.5% and RPM by 2.0%.
• Abstract（参考訳）: CTR(Click-Through Rate)予測では、ユーザとアイテムとの長いインタラクションを含む長い行動シーケンスが、候補項目に対するユーザの関心を評価する上で重要な影響を与える。 既存のアプローチは、2段階のパラダイムを通じて効率と効果を追求する: まず数百の候補関連項目を検索し、ターゲットの注意を通して関心度ベクトルを抽出する。 しかし,検索した項目と完全長行動列との関連性分布の相違は,必然的に性能低下につながると論じる。 この差を緩和するために,長い動作列を圧縮してエンドツーエンドに処理するDeep Multiple Quantization Network (DMQN)を提案する。 まず、長い行動列の全スペクトルを複数の独立したコードブックに基づいて複数のコードワード列に量子化する。 階層型シーケンストランスダクションユニットは、縮小されたコードワードシーケンスの相互作用を容易にするために組み込まれている。 次に、候補と複数のコードワードシーケンス間の注意が興味ベクトルを出力する。 オンラインサービスを可能にするために、コードワードシーケンスの中間表現をキャッシュし、レイテンシを大幅に削減する。 産業用および公共用両方のデータセットに関する広範な実験により,DMQNの有効性と有効性が確認された。 広告システムにおけるA/Bテストでは、DMQNはCTRを3.5%改善し、RPMを2.0%改善した。

関連論文リスト

• 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)
• Ring Attention with Blockwise Transformers for Near-Infinite Context [88.61687950039662]
  本稿では,複数のデバイスにまたがって長いシーケンスを分散するために,ブロックワイドな自己注意とフィードフォワードの計算を利用する,ブロックワイドトランスフォーマーを用いたリングアテンション(リングアテンション)を提案する。 提案手法では,先行メモリ効率の変換器で達成可能なものよりも,デバイス数倍のシーケンスのトレーニングと推論が可能となる。
  論文  参考訳（メタデータ） (2023-10-03T08:44:50Z)

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。