論文の概要: HoMer: Addressing Heterogeneities by Modeling Sequential and Set-wise Contexts for CTR Prediction

• arxiv url: http://arxiv.org/abs/2510.11100v1
• Date: Mon, 13 Oct 2025 07:47:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.249
• Title: HoMer: Addressing Heterogeneities by Modeling Sequential and Set-wise Contexts for CTR Prediction
• Title（参考訳）: HoMer:CTR予測のための逐次的コンテキストとセットワイドコンテキストのモデル化による不均一性への対処
• Authors: Shuwei Chen, Jiajun Cui, Zhengqi Xu, Fan Zhang, Jiangke Fan, Teng Zhang, Xingxing Wang,
• Abstract要約: 逐次的および集合的コンテキストをモデル化するためのホモジニアス指向トランスフォーマーであるHoMerを提案する。 HoMerは、AUCメトリックで工業ベースラインを0.0099向上させ、CTR/RPMのようなオンラインビジネスメトリクスを1.99%/2.46%向上させています。
• 参考スコア（独自算出の注目度）: 10.779868699316829
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Click-through rate (CTR) prediction, which models behavior sequence and non-sequential features (e.g., user/item profiles or cross features) to infer user interest, underpins industrial recommender systems. However, most methods face three forms of heterogeneity that degrade predictive performance: (i) Feature Heterogeneity persists when limited sequence side features provide less granular interest representation compared to extensive non-sequential features, thereby impairing sequence modeling performance; (ii) Context Heterogeneity arises because a user's interest in an item will be influenced by other items, yet point-wise prediction neglects cross-item interaction context from the entire item set; (iii) Architecture Heterogeneity stems from the fragmented integration of specialized network modules, which compounds the model's effectiveness, efficiency and scalability in industrial deployments. To tackle the above limitations, we propose HoMer, a Homogeneous-Oriented TransforMer for modeling sequential and set-wise contexts. First, we align sequence side features with non-sequential features for accurate sequence modeling and fine-grained interest representation. Second, we shift the prediction paradigm from point-wise to set-wise, facilitating cross-item interaction in a highly parallel manner. Third, HoMer's unified encoder-decoder architecture achieves dual optimization through structural simplification and shared computation, ensuring computational efficiency while maintaining scalability with model size. Without arduous modification to the prediction pipeline, HoMer successfully scales up and outperforms our industrial baseline by 0.0099 in the AUC metric, and enhances online business metrics like CTR/RPM by 1.99%/2.46%. Additionally, HoMer saves 27% of GPU resources via preliminary engineering optimization, further validating its superiority and practicality.
• Abstract（参考訳）: クリックスルーレート(CTR)予測(Click-through rate: クリックスルーレート)は、行動シーケンスと非シーケンスの特徴(例えば、ユーザ/イテムプロファイルやクロスフィーチャ)をモデル化し、ユーザの関心を推測する。 しかし、ほとんどの手法は予測性能を低下させる3種類の不均一性に直面している。 一 限られた系列側特徴が広範囲な非系列的特徴に比べて粒度の低い興味表現を提供する場合において、特徴不均一性は持続し、これにより、シーケンスモデリング性能を損なう。 (ii) 項目に対するユーザの関心が他の項目に影響されるため、コンテキストの不均一性が生じるが、ポイントワイズ予測は、項目集合全体から横断的な相互作用コンテキストを無視する。 3) アーキテクチャの不均一性は,産業展開におけるモデルの有効性,効率性,スケーラビリティを複合した,特殊なネットワークモジュールの断片化によるものです。 上記の制約に対処するために、逐次およびセットワイドコンテキストをモデリングするためのホモジニアス指向トランスフォーマーであるHoMerを提案する。 まず、シーケンス側の特徴を非シーケンスの特徴と整合させて、精度の高いシーケンスモデリングと微細な関心表現を行う。 第二に、予測パラダイムをポイントワイズからセットワイズにシフトし、高い並列性でクロスイテム相互作用を促進する。 第三に、HoMerの統一エンコーダデコーダアーキテクチャは、構造的単純化と共有計算による双対最適化を実現し、モデルサイズの拡張性を維持しながら計算効率を確保する。 予測パイプラインに厳しい変更を加えることなく、HoMerはAUCの基準で工業ベースラインを0.0099向上させ、CTR/RPMのようなオンラインビジネスメトリクスを1.99%/2.46%向上させることに成功した。 さらに、HoMerは予備的なエンジニアリング最適化を通じてGPUリソースの27%を節約し、その優位性と実用性をさらに検証する。

関連論文リスト

• Reinforced Model Merging [53.84354455400038]
  本稿では,タスク統合に適した環境とエージェントを含むRMM(Reinforced Model Merging)という,革新的なフレームワークを提案する。 評価プロセス中にデータサブセットを利用することで、報酬フィードバックフェーズのボトルネックに対処し、RMMを最大100倍高速化する。
  論文  参考訳（メタデータ） (2025-03-27T08:52:41Z)
• HeterRec: Heterogeneous Information Transformer for Scalable Sequential Recommendation [21.435064492654494]
  HeterRecは、アイテム側の異種機能を統合するシーケンシャルレコメンデーションモデルである。 HeterRecはHTFLと階層型因果変圧器層(HCT)を組み込んでいる オフラインとオンライン両方のデータセットに対する大規模な実験は、HeterRecモデルが優れたパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2025-03-03T12:23:54Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
  一般的な類似性に基づく機能アップサンプリングパイプラインが提案されている。 本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。 我々は,モーザイクアーティファクトを緩和する上ではシンプルだが有効であるHR特徴に対して,きめ細かな近傍選択戦略を開発する。
  論文  参考訳（メタデータ） (2024-07-02T14:12:21Z)
• Unifying Feature and Cost Aggregation with Transformers for Semantic and Visual Correspondence [51.54175067684008]
  本稿では,高密度マッチングタスク用に設計されたTransformerベースの積分機能とコスト集約ネットワークを提案する。 まず, 特徴集約とコスト集約が異なる特徴を示し, 双方の集約プロセスの司法的利用から生じる実質的な利益の可能性を明らかにした。 本フレームワークは意味マッチングのための標準ベンチマークで評価され,また幾何マッチングにも適用された。
  論文  参考訳（メタデータ） (2024-03-17T07:02:55Z)
• Parameter Decoupling Strategy for Semi-supervised 3D Left Atrium Segmentation [0.0]
  本稿では,パラメータ分離戦略に基づく半教師付きセグメンテーションモデルを提案する。 提案手法は,Atrial Challengeデータセット上での最先端の半教師付き手法と競合する結果を得た。
  論文  参考訳（メタデータ） (2021-09-20T14:51:42Z)
• AutoDis: Automatic Discretization for Embedding Numerical Features in CTR Prediction [45.69943728028556]
  高度な機能相互作用の学習は、レコメンデータシステムにおけるClick-Through Rate(CTR)予測に不可欠である。 様々な深いCTRモデルは、埋め込みとフィーチャーインタラクションのパラダイムに従います。 数値フィールドの特徴を自動的に識別し、エンドツーエンドでCTRモデルに最適化するフレームワークであるAutoDisを提案します。
  論文  参考訳（メタデータ） (2020-12-16T14:31:31Z)

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。