論文の概要: HT-GNN: Hyper-Temporal Graph Neural Network for Customer Lifetime Value Prediction in Baidu Ads

• arxiv url: http://arxiv.org/abs/2601.13013v1
• Date: Mon, 19 Jan 2026 12:47:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.901129
• Title: HT-GNN: Hyper-Temporal Graph Neural Network for Customer Lifetime Value Prediction in Baidu Ads
• Title（参考訳）: HT-GNN:Baidu広告のリアルタイム価値予測のためのハイパーテンポラルグラフニューラルネットワーク
• Authors: Xiaohui Zhao, Xinjian Zhao, Jiahui Zhang, Guoyu Liu, Houzhi Wang, Shu Wu,
• Abstract要約: 本稿では,HT-GNN(Hyper-Temporal Graph Neural Network)を提案する。 1500万人のユーザによるBaitextitdu Adsの実験では、HT-GNNがすべてのメトリクスと予測の地平をまたいだ最先端の手法を一貫して上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 32.630529020970734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lifetime value (LTV) prediction is crucial for news feed advertising, enabling platforms to optimize bidding and budget allocation for long-term revenue growth. However, it faces two major challenges: (1) demographic-based targeting creates segment-specific LTV distributions with large value variations across user groups; and (2) dynamic marketing strategies generate irregular behavioral sequences where engagement patterns evolve rapidly. We propose a Hyper-Temporal Graph Neural Network (HT-GNN), which jointly models demographic heterogeneity and temporal dynamics through three key components: (i) a hypergraph-supervised module capturing inter-segment relationships; (ii) a transformer-based temporal encoder with adaptive weighting; and (iii) a task-adaptive mixture-of-experts with dynamic prediction towers for multi-horizon LTV forecasting. Experiments on \textit{Baidu Ads} with 15 million users demonstrate that HT-GNN consistently outperforms state-of-the-art methods across all metrics and prediction horizons.
• Abstract（参考訳）: ライフタイムバリュー(LTV)予測は、ニュースフィード広告にとって不可欠であり、プラットフォームが長期収益の成長のために入札と予算配分を最適化できるようにする。 しかし,(1)人口統計に基づくターゲティングは,ユーザグループ間で大きな価値変動を持つセグメント固有のLTV分布を生成し,(2)動的マーケティング戦略は,エンゲージメントパターンが急速に進化する不規則な行動列を生成する。 HT-GNN(Hyper-Temporal Graph Neural Network)を提案する。 i) セグメント間関係をキャプチャするハイパーグラフ管理モジュール (ii)適応重み付変圧器を用いた時間エンコーダ 三 マルチホライゾンLTV予測のための動的予測塔付きタスク適応混合実験装置 1500万人のユーザによる \textit{Baidu Ads} の実験では,HT-GNN がすべてのメトリクスや予測の地平線を越えた最先端メソッドを一貫して上回っていることが示されている。

関連論文リスト

• FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts [49.9321870703948]
  既存のモデルは、主に短期水平予測に焦点を当てており、悪名高い計算コストとメモリ消費に悩まされている。 本稿では,長期・大規模STG予測のためのMixture-of-Experts(MoEs)に基づく,効率的かつ効率的なフレームワークであるFaSTを提案する。 まず、計算負担を軽減するための適応型グラフエージェントアテンション機構を提案する。 第2に,従来のフィードフォワードネットワークを Gated Linear Units (GLUs) に置き換えた新しい並列MoEモジュールを提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:00:58Z)
• Practice on Long Behavior Sequence Modeling in Tencent Advertising [75.65309022911994]
  時系列モデリングは,ユーザの長期的嗜好を捉えるためのレコメンデーションシステムにおいて,欠かせないフロンティアとなっている。 長周期モデリングのための2段階フレームワークの実践的アプローチをいくつか提案する。 Tencentの大規模広告プラットフォーム上で本番環境にデプロイされた当社のイノベーションは、大幅なパフォーマンス向上を実現しました。
  論文  参考訳（メタデータ） (2025-09-10T06:55:57Z)
• HDT: Hierarchical Discrete Transformer for Multivariate Time Series Forecasting [30.099113310894307]
  本稿では, ベクトル量子化手法を用いて, 時系列を離散トークン表現にモデル化するベクトル量子化フレームワークを提案する。 長期予測における生成モデルの限界に対処するため,階層型離散変換器を提案する。 このモデルでは、ターゲットの低レベルにおける離散的長期的傾向を捉え、この傾向を条件として高レベルにおけるターゲットの離散的表現を生成する。
  論文  参考訳（メタデータ） (2025-02-12T11:03:51Z)
• Ada-MSHyper: Adaptive Multi-Scale Hypergraph Transformer for Time Series Forecasting [5.431115840202783]
  時系列予測のための適応型マルチスケールハイパーグラフ変換器(Ada-MSHyper)を提案する。 Ada-MSHyperは最先端の性能を達成し、予測誤差を平均4.56%、10.38%、MSEの4.97%減らし、長距離、短距離、超長距離の時系列予測を行う。
  論文  参考訳（メタデータ） (2024-10-31T14:51:09Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• WinNet: Make Only One Convolutional Layer Effective for Time Series Forecasting [11.232780368635416]
  我々は、WinNetと呼ばれる1つの畳み込み層しか持たない非常に正確で単純なCNNベースのモデルを提案する。 その結果、WinNetは、CNNベースのメソッドよりもSOTA性能と複雑さが低いことを実証した。
  論文  参考訳（メタデータ） (2023-11-01T01:23:59Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Stock Trend Prediction: A Semantic Segmentation Approach [3.718476964451589]
  完全2次元畳み込みエンコーダデコーダを用いた長期株価変動傾向の予測手法を提案する。 我々のCNNの階層構造は、長期的・短期的な関係を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2023-03-09T01:29:09Z)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)

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。