論文の概要: Time Matters: A Novel Real-Time Long- and Short-term User Interest Model for Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2511.06213v1
• Date: Sun, 09 Nov 2025 03:55:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.813543
• Title: Time Matters: A Novel Real-Time Long- and Short-term User Interest Model for Click-Through Rate Prediction
• Title（参考訳）: 時間的問題:クリックスルーレート予測のための新しいリアルタイム長期的および短期的ユーザ関心モデル
• Authors: Xian-Jin Gui,
• Abstract要約: CTR(Click-Through Rate)予測の鍵となるステップは、正確なユーザ表現を学習して関心を捉えることだ。 周期パターンと時間点パターンの2つの規則パターンを開発する。 本稿では,この2つのパターンに基づいて,ユーザ関心モデリング手法を提案する。
• 参考スコア（独自算出の注目度）: 1.6498361958317636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Click-Through Rate (CTR) prediction is a core task in online personalization platform. A key step for CTR prediction is to learn accurate user representation to capture their interests. Generally, the interest expressed by a user is time-variant, i.e., a user activates different interests at different time. However, most previous CTR prediction methods overlook the correlation between the activated interest and the occurrence time, resulting in what they actually learn is the mixture of the interests expressed by the user at all time, rather than the real-time interest at the certain prediction time. To capture the correlation between the activated interest and the occurrence time, in this paper we investigate users' interest evolution from the perspective of the whole time line and develop two regular patterns: periodic pattern and time-point pattern. Based on the two patterns, we propose a novel time-aware long- and short-term user interest modeling method to model users' dynamic interests at different time. Extensive experiments on public datasets as well as an industrial dataset verify the effectiveness of exploiting the two patterns and demonstrate the superiority of our proposed method compared with other state-of-the-art ones.
• Abstract（参考訳）: CTR(Click-Through Rate)予測は、オンラインパーソナライゼーションプラットフォームのコアタスクである。 CTR予測の重要なステップは、ユーザの興味を捉えるために、正確なユーザ表現を学習することだ。 一般に、ユーザによって表現される関心は時間変化、すなわち、ユーザが異なる時間で異なる関心を活性化する。 しかし、従来のCTR予測手法では、アクティベートされた関心と発生時間との相関を見落としており、結果として実際に学習されるものは、特定の予測時間におけるリアルタイムな関心よりも、常にユーザによって表現される関心の混合である。 そこで本論文では,アクティベートされた関心と発生時間との相関関係を時間線全体の観点から検討し,周期パターンと時間点パターンの2つの規則パターンを開発する。 この2つのパターンに基づいて,ユーザの動的興味を異なる時間でモデル化する,時間的・短期的なユーザ関心モデリング手法を提案する。 公共データセットと産業データセットの大規模な実験により、この2つのパターンを利用する効果が検証され、提案手法の優位性を他の最先端のデータセットと比較した。

関連論文リスト

• Modeling Long-term User Behaviors with Diffusion-driven Multi-interest Network for CTR Prediction [18.302602011055775]
  本稿では,DiffuMIN (Diffusion-driven Multi-Interest Network) を提案する。 オンラインA/BテストではDiffuMINが1.52%,CPMが1.10%増加した。
  論文  参考訳（メタデータ） (2025-08-21T07:10:01Z)
• 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)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Deep Time-Stream Framework for Click-Through Rate Prediction by Tracking Interest Evolution [33.090918958117946]
  我々は,CTRモデルにおけるユーザ関心傾向を,豊富な歴史的行動から追跡するために,継続時間情報を検討する必要があると論じている。 通常の微分方程式(ODE)による時間情報を提供する新しい時間ストリームフレームワーク(DTS)を提案する。 DTSは、ニューラルネットワークを使用して関心の進化を継続的にモデル化し、ユーザの関心を動的に表現する課題に取り組むことができる。
  論文  参考訳（メタデータ） (2020-01-08T10:33:23Z)

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。