論文の概要: CTR Prediction on Alibaba's Taobao Advertising Dataset Using Traditional and Deep Learning Models

• arxiv url: http://arxiv.org/abs/2511.21963v1
• Date: Wed, 26 Nov 2025 22:51:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.320655
• Title: CTR Prediction on Alibaba's Taobao Advertising Dataset Using Traditional and Deep Learning Models
• Title（参考訳）: 従来の学習モデルとディープラーニングモデルを用いたAlibabaのTaobao広告データセットのCTR予測
• Authors: Hongyu Yang, Chunxi Wen, Jiyin Zhang, Nanfei Shen, Shijiao Zhang, Xiyan Han,
• Abstract要約: Alibabaがリリースした大規模なTaobaoデータセットを使用して、クリックスルー率をより効果的にモデル化する方法を検討する。 ユーザの意図をモデル化するために、22日間にわたって、数億のインタラクションからの行動データを組み合わせました。 弊社の研究は、クリックスルー率の予測を推し進め、その価値をeコマースを超えて拡張するためのロードマップを提供する。
• 参考スコア（独自算出の注目度）: 14.51041016589099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Click-through rates prediction is critical in modern advertising systems, where ranking relevance and user engagement directly impact platform efficiency and business value. In this project, we explore how to model CTR more effectively using a large-scale Taobao dataset released by Alibaba. We start with supervised learning models, including logistic regression and Light-GBM, that are trained on static features such as user demographics, ad attributes, and contextual metadata. These models provide fast, interpretable benchmarks, but have limited capabilities to capture patterns of behavior that drive clicks. To better model user intent, we combined behavioral data from hundreds of millions of interactions over a 22-day period. By extracting and encoding user action sequences, we construct representations of user interests over time. We use deep learning models to fuse behavioral embeddings with static features. Among them, multilayer perceptrons (MLPs) have achieved significant performance improvements. To capture temporal dynamics, we designed a Transformer-based architecture that uses a self-attention mechanism to learn contextual dependencies across behavioral sequences, modeling not only what the user interacts with, but also the timing and frequency of interactions. Transformer improves AUC by 2.81 % over the baseline (LR model), with the largest gains observed for users whose interests are diverse or change over time. In addition to modeling, we propose an A/B testing strategy for real-world evaluation. We also think about the broader implications: personalized ad targeting technology can be applied to public health scenarios to achieve precise delivery of health information or behavior guidance. Our research provides a roadmap for advancing click-through rate predictions and extending their value beyond e-commerce.
• Abstract（参考訳）: クリックスルー率の予測は、プラットフォーム効率とビジネス価値に直接的な相関関係とユーザエンゲージメントが影響する現代の広告システムにおいて重要である。 本稿では,Alibaba がリリースした大規模 Taobao データセットを用いて,CTR をより効果的にモデル化する方法を検討する。 まず、ユーザ人口統計や広告属性、コンテキストメタデータといった静的機能に基づいてトレーニングされた、ロジスティック回帰やLight-GBMなどの教師付き学習モデルから始める。 これらのモデルは高速で解釈可能なベンチマークを提供するが、クリックを駆動する動作パターンをキャプチャする能力は限られている。 ユーザの意図をモデル化するために、22日間にわたって、数億のインタラクションからの行動データを組み合わせました。 ユーザアクションシーケンスの抽出と符号化により,ユーザ興味の表現を時間とともに構築する。 ディープラーニングモデルを使って、静的な特徴で振る舞いの埋め込みを融合します。 このうち、多層パーセプトロン(MLP)は大幅な性能向上を実現している。 時間的ダイナミクスを捉えるため,動作シーケンス間のコンテキスト依存を学習するための自己認識機構を用いたTransformerベースのアーキテクチャを設計し,ユーザのインタラクションだけでなく,インタラクションのタイミングや頻度もモデル化した。 トランスフォーマーは、ベースライン(LRモデル)よりもAUCを2.81 %改善し、興味が多様であったり、時間が経つにつれて変化しているユーザーにとって最も利益がある。 モデリングに加えて,実世界評価のためのA/Bテスト戦略を提案する。 パーソナライズされた広告ターゲティング技術は、公衆衛生のシナリオに適用して、健康情報や行動ガイダンスの正確な配信を実現することができる。 弊社の研究は、クリックスルー率の予測を推し進め、その価値をeコマースを超えて拡張するためのロードマップを提供する。

関連論文リスト

• Predicting E-commerce Purchase Behavior using a DQN-Inspired Deep Learning Model for enhanced adaptability [0.0]
  本稿では,Deep Q-Network (DQN) にインスパイアされたアーキテクチャを活用し,電子商取引環境における購入意図と製品需要を予測する新しいアプローチを提案する。 我々は,885,000以上のユーザセッションからなる大規模eコマースデータセット上で,それぞれ1,114の特徴を特徴付けるモデルを評価した。 精度は88%,AUC-ROCスコアは0.88である。
  論文  参考訳（メタデータ） (2025-06-21T02:12:26Z)
• 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)
• An accuracy improving method for advertising click through rate prediction based on enhanced xDeepFM model [0.0]
  本稿では,xDeepFMアーキテクチャに基づく改良型CTR予測モデルを提案する。 マルチヘッド・アテンション・メカニズムを統合することで、モデルは機能相互作用の異なる側面に同時に焦点を合わせることができる。 Criteoデータセットの実験結果は、提案モデルが他の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-11-21T03:21:29Z)
• Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation [28.29435760797856]
  本稿では,TIRシナリオにおけるクリックスルーレート予測のための新しい手法であるDeep Evolutional Instant Interest Network (DEI2N)を提案する。 我々は,ユーザがスクロールダウンした場合の瞬間的関心の強度の動的変化を予測するために,ユーザインスタント・関心モデリング・レイヤを設計する。 オフラインおよび実世界の産業データセットを用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-15T15:27:24Z)
• Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
  本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。 周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。 本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-01-25T12:44:23Z)

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。