論文の概要: COFFEE: COdesign Framework for Feature Enriched Embeddings in Ads-Ranking Systems
- arxiv url: http://arxiv.org/abs/2601.02807v1
- Date: Tue, 06 Jan 2026 08:29:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-07 17:02:12.857374
- Title: COFFEE: COdesign Framework for Feature Enriched Embeddings in Ads-Ranking Systems
- Title（参考訳）: COFFEE:広告ランキングシステムにおける機能豊富な埋め込みのための設計フレームワーク
- Authors: Sohini Roychowdhury, Doris Wang, Qian Ge, Joy Mu, Srihari Reddy,
- Abstract要約: 本稿では,モデル推論やサービス複雑性を増大させることなく,ユーザアド表現を向上するための新しいフレームワークを提案する。
提案手法は,AUCの面積を1.56倍から2倍に増やすことができる。
- 参考スコア（独自算出の注目度）: 2.1182747626493885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diverse and enriched data sources are essential for commercial ads-recommendation models to accurately assess user interest both before and after engagement with content. While extended user-engagement histories can improve the prediction of user interests, it is equally important to embed activity sequences from multiple sources to ensure freshness of user and ad-representations, following scaling law principles. In this paper, we present a novel three-dimensional framework for enhancing user-ad representations without increasing model inference or serving complexity. The first dimension examines the impact of incorporating diverse event sources, the second considers the benefits of longer user histories, and the third focuses on enriching data with additional event attributes and multi-modal embeddings. We assess the return on investment (ROI) of our source enrichment framework by comparing organic user engagement sources, such as content viewing, with ad-impression sources. The proposed method can boost the area under curve (AUC) and the slope of scaling curves for ad-impression sources by 1.56 to 2 times compared to organic usage sources even for short online-sequence lengths of 100 to 10K. Additionally, click-through rate (CTR) prediction improves by 0.56% AUC over the baseline production ad-recommendation system when using enriched ad-impression event sources, leading to improved sequence scaling resolutions for longer and offline user-ad representations.
- Abstract（参考訳）: 多様なデータソースは、コンテンツへのエンゲージメントの前と後の両方でユーザの関心を正確に評価するために、商業広告推奨モデルにとって不可欠である。
拡張されたユーザエンゲージメント履歴は、ユーザ関心の予測を改善することができるが、複数のソースからのアクティビティシーケンスを組み込んで、法則のスケーリングに従って、ユーザおよび広告表現の鮮度を確保することが重要である。
本稿では,モデル推論やサービス複雑性を増大させることなく,ユーザ・アド表現を向上させる新しい3次元フレームワークを提案する。
第1の次元では、多様なイベントソースを組み込むことによる影響について検討し、第2の次元では、長いユーザー履歴の利点を考察し、第3の次元では、追加のイベント属性とマルチモーダルな埋め込みによるデータ強化に焦点を当てている。
コンテンツ視聴などのオーガニックなユーザエンゲージメントソースと広告印象ソースを比較することで、ソースエンリッチメントフレームワークの投資収益率(ROI)を評価する。
提案手法は,100～10Kの短いオンラインシーケンス長であっても,有機的利用源に比べて,曲線下面積(AUC)と広告印象源のスケーリング曲線の傾きを1.56～2倍に向上させることができる。
さらに、クリックスルーレート(CTR)予測は、リッチな広告印象イベントソースを使用する場合、ベースラインのアドレコメンデーションシステムよりも0.56%AUC向上し、より長くオフラインなユーザアド表現のためのシーケンススケーリングの解像度が向上する。
関連論文リスト
- DynamiX: Dynamic Resource eXploration for Personalized Ad-Recommendations [5.168870928194366]
オンラインアドレコメンデーションシステムのためのスケーラブルでパーソナライズされたシーケンス探索フレームワークであるDynamixを紹介した。
Dynamixは、居住時間と広告変換イベントの相関を利用して、セッションと表面レベルのユーザエンゲージメントを分類する。
我々は,Dynamixがオンラインユーザシーケンスに基づく推薦モデルにおいて,大幅なコスト効率と性能向上を実現していることを示す。
論文 参考訳（メタデータ） (2025-11-23T08:10:33Z) - Enhancing Serendipity Recommendation System by Constructing Dynamic User Knowledge Graphs with Large Language Models [0.9262403397108375]
大規模言語モデル(LLM)は、豊富な世界知識と優れた推論能力のおかげで、推奨されるセレンディピティーを示す。
本稿では,LLmを利用してユーザ知識グラフを動的に構築し,レコメンデーションシステムのセレンディピティーを高める手法を提案する。
論文 参考訳（メタデータ） (2025-08-06T02:52:09Z) - CTR-Driven Advertising Image Generation with Multimodal Large Language Models [53.40005544344148]
本稿では,Click-Through Rate (CTR) を主目的とし,マルチモーダル大言語モデル(MLLM)を用いた広告画像の生成について検討する。
生成した画像のCTRをさらに改善するため、強化学習(RL)を通して事前学習したMLLMを微調整する新たな報酬モデルを提案する。
本手法は,オンラインとオフラインの両方で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-02-05T09:06:02Z) - GACE: Learning Graph-Based Cross-Page Ads Embedding For Click-Through
Rate Prediction [3.3840833400287593]
本稿では,グラフベースのクロスページ広告埋め込み生成手法を提案する。
コールドスタートと既存の広告を様々なページに埋め込んだ表現を生成する。
その結果,本手法はSOTA法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-15T03:12:21Z) - Deep Context Interest Network for Click-Through Rate Prediction [16.37806484383383]
本稿では,クリックと表示コンテキストを統合的にモデル化し,ユーザのコンテキスト認識の興味を学習する,Deep Context Interest Network (DCIN) という新しいモデルを提案する。
DCINは当社のオンライン広告システムにデプロイされており、主要なトラフィックに対して1.5%のCTRと1.5%のRPMリフトを提供する。
論文 参考訳（メタデータ） (2023-08-11T09:32:58Z) - Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。
本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
論文 参考訳（メタデータ） (2023-08-07T12:26:34Z) - PIE: Personalized Interest Exploration for Large-Scale Recommender
Systems [0.0]
これらの課題に対処するために,大規模レコメンデータシステムにおける探索のためのフレームワークを提案する。
我々の方法論は、最小限の修正で既存の大規模レコメンデータシステムに容易に統合できる。
私たちの仕事は、何十億ものユーザーを対象とする人気のビデオ発見および共有プラットフォームであるFacebook Watchで運用されている。
論文 参考訳（メタデータ） (2023-04-13T22:25:09Z) - Continuous Input Embedding Size Search For Recommender Systems [60.89189829112067]
連続入力埋め込みサイズ探索(CIESS)は、任意の埋め込みサイズを選択可能な連続探索空間上で動作する新しいRLベースの手法である。
CIESSはモデルに依存しないため、様々な潜在因子RSに一般化できる。
2つの実世界のデータセットに関する実験では、異なるメモリ予算の下でCIESSの最先端のパフォーマンスが示されている。
論文 参考訳（メタデータ） (2023-04-07T06:46:37Z) - VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳（メタデータ） (2022-05-31T17:45:30Z) - Contextual Bandits for Advertising Campaigns: A Diffusion-Model
Independent Approach (Extended Version) [73.59962178534361]
拡散ネットワークや情報伝達の仕方を決定するモデルについてはほとんど知られていないと考えられる影響問題について検討する。
この設定では、キャンペーンの実行中に主要な拡散パラメータを学習するために探索-探索アプローチが使用できる。
本稿では,2つの文脈的マルチアーム・バンディットの手法と,インフルエンサーの残りのポテンシャルに対する上限について比較する。
論文 参考訳（メタデータ） (2022-01-13T22:06:10Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z)
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。