論文の概要: GenCI: Generative Modeling of User Interest Shift via Cohort-based Intent Learning for CTR Prediction

• arxiv url: http://arxiv.org/abs/2601.18251v1
• Date: Mon, 26 Jan 2026 08:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.732538
• Title: GenCI: Generative Modeling of User Interest Shift via Cohort-based Intent Learning for CTR Prediction
• Title（参考訳）: GenCI:CTR予測のためのコホートに基づくインテントラーニングによるユーザ関心の変化の生成モデリング
• Authors: Kesha Ou, Zhen Tian, Wayne Xin Zhao, Hongyu Lu, Ji-Rong Wen,
• Abstract要約: 本稿では,クリックスルー率(CTR)予測のためのユーザ嗜好をモデル化するための生成ユーザ意図フレームワークを提案する。 このフレームワークはまず、次の項目の予測目標で訓練された生成モデルを使用して、候補の関心コホートを積極的に生成する。 階層的候補認識ネットワークは、このリッチなコンテキスト信号をランキングステージに注入し、ユーザ履歴とターゲットアイテムの両方に適合するように、クロスアテンションで精製する。
• 参考スコア（独自算出の注目度）: 84.0125708499372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Click-through rate (CTR) prediction plays a pivotal role in online advertising and recommender systems. Despite notable progress in modeling user preferences from historical behaviors, two key challenges persist. First, exsiting discriminative paradigms focus on matching candidates to user history, often overfitting to historically dominant features and failing to adapt to rapid interest shifts. Second, a critical information chasm emerges from the point-wise ranking paradigm. By scoring each candidate in isolation, CTR models discard the rich contextual signal implied by the recalled set as a whole, leading to a misalignment where long-term preferences often override the user's immediate, evolving intent. To address these issues, we propose GenCI, a generative user intent framework that leverages semantic interest cohorts to model dynamic user preferences for CTR prediction. The framework first employs a generative model, trained with a next-item prediction (NTP) objective, to proactively produce candidate interest cohorts. These cohorts serve as explicit, candidate-agnostic representations of a user's immediate intent. A hierarchical candidate-aware network then injects this rich contextual signal into the ranking stage, refining them with cross-attention to align with both user history and the target item. The entire model is trained end-to-end, creating a more aligned and effective CTR prediction pipeline. Extensive experiments on three widely used datasets demonstrate the effectiveness of our approach.
• Abstract（参考訳）: クリックスルー率(CTR)予測は、オンライン広告とレコメンデーションシステムにおいて重要な役割を果たす。 歴史的行動からユーザの好みをモデル化する顕著な進歩にもかかわらず、2つの重要な課題が続いている。 まず、差別的パラダイムの排除は、ユーザの履歴にマッチする候補に焦点を当て、多くの場合、歴史的に支配的な機能に過度に適合し、迅速な関心の変化に適応できない。 第2に、ポイントワイドランキングパラダイムから重要な情報シャームが出現する。 それぞれの候補を個別にスコアリングすることで、CTRモデルはリコールされた集合によって暗示されるリッチなコンテキスト信号を捨てる。 これらの問題に対処するため,CTR予測のための動的ユーザ嗜好のモデル化にセマンティックな関心コホートを利用する生成的ユーザ意図フレームワークであるGenCIを提案する。 このフレームワークはまず、候補の関心コホートを積極的に生成するために、次世代の予測(NTP)目標を用いて訓練された生成モデルを使用する。 これらのコホートは、ユーザの直近の意図を明示的で、候補に依存しない表現として機能する。 階層的候補認識ネットワークは、このリッチなコンテキスト信号をランキングステージに注入し、ユーザ履歴とターゲットアイテムの両方に適合するように、クロスアテンションで精製する。 モデル全体がエンドツーエンドでトレーニングされ、より整合性があり効果的なCTR予測パイプラインが作成されます。 広く使われている3つのデータセットに対する大規模な実験は、我々のアプローチの有効性を実証している。

関連論文リスト

• PRECTR-V2:Unified Relevance-CTR Framework with Cross-User Preference Mining, Exposure Bias Correction, and LLM-Distilled Encoder Optimization [6.17916814159778]
  検索システムでは、検索関連性マッチングとクリックスルー率(CTR)予測の2つのコア目標を効果的に調整することが重要である。 グローバルなレバレンス選好をマイニングすることで,低活性ユーザのスパース行動問題を緩和するPreCTR-V2を提案する。 このエンコーダは凍ったBERTモジュールを置き換え、CTRの微調整に適応し、従来のEmb+MLPパラダイムを超えて前進する。
  論文  参考訳（メタデータ） (2026-02-24T08:26:17Z)
• Disentangled Interest Network for Out-of-Distribution CTR Prediction [30.99385290299526]
  クリックスルー率(CTR)予測は、オンライン情報サービスにとって重要な課題である。 本稿では,DiseCTR(Disentangled Click-Through Rate Prediction)を提案する。 本研究では、DefCTRが、最先端のアプローチに対してデータセットの最良の精度とロバスト性を達成することを示す。
  論文  参考訳（メタデータ） (2025-11-14T18:20:44Z)
• Leveraging Scene Context with Dual Networks for Sequential User Behavior Modeling [58.72480539725212]
  本稿では,シーンとアイテム間の動的興味や相互作用を捉えるために,新しいDSPネットワークを提案する。 DSPnetは、アイテムやシーンに対するユーザの動的関心を学習するための2つの並列ネットワークと、将来の振る舞いを予測するためのインタープレイをキャプチャするシーケンス機能拡張モジュールで構成されている。
  論文  参考訳（メタデータ） (2025-09-30T12:26:57Z)
• A Generative Framework for Personalized Sticker Retrieval [73.57899194210141]
  我々はパーソナライズされたステッカー検索のための新しい生成フレームワークであるPEARLを提案する。 i) ユーザ固有のステッカー嗜好を符号化するために,識別的ユーザ表現を学習するための表現学習モデルを設計し, (ii) ユーザのクエリ意図に合致したステッカーを生成するために, 新たな意図認識学習目標を提案する。 オフライン評価とオンラインテストの両方による実証的な結果は、PEARLが最先端の手法を大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2025-09-22T13:11:44Z)
• 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)
• NextQuill: Causal Preference Modeling for Enhancing LLM Personalization [82.15961484963256]
  因果選好モデルに基づく新しいパーソナライズフレームワークであるNextQuillを紹介する。 この洞察に基づいて、NextQuillは2つの補完的なアライメント戦略を導入した。 複数のパーソナライズベンチマークの実験により、NextQuillはパーソナライズ品質を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-06-03T02:08:55Z)
• 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)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)

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。