論文の概要: Disentangled Interest Network for Out-of-Distribution CTR Prediction

• arxiv url: http://arxiv.org/abs/2602.00002v1
• Date: Fri, 14 Nov 2025 18:20:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 02:03:42.168395
• Title: Disentangled Interest Network for Out-of-Distribution CTR Prediction
• Title（参考訳）: アウト・オブ・ディストリビューションCTR予測のためのディスタングル型関心ネットワーク
• Authors: Yu Zheng, Chen Gao, Jianxin Chang, Yanan Niu, Yang Song, Depeng Jin, Meng Wang, Yong Li,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 30.99385290299526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Click-through rate (CTR) prediction, which estimates the probability of a user clicking on a given item, is a critical task for online information services. Existing approaches often make strong assumptions that training and test data come from the same distribution. However, the data distribution varies since user interests are constantly evolving, resulting in the out-of-distribution (OOD) issue. In addition, users tend to have multiple interests, some of which evolve faster than others. Towards this end, we propose Disentangled Click-Through Rate prediction (DiseCTR), which introduces a causal perspective of recommendation and disentangles multiple aspects of user interests to alleviate the OOD issue in recommendation. We conduct a causal factorization of CTR prediction involving user interest, exposure model, and click model, based on which we develop a deep learning implementation for these three causal mechanisms. Specifically, we first design an interest encoder with sparse attention which maps raw features to user interests, and then introduce a weakly supervised interest disentangler to learn independent interest embeddings, which are further integrated by an attentive interest aggregator for prediction. Experimental results on three real-world datasets show that DiseCTR achieves the best accuracy and robustness in OOD recommendation against state-of-the-art approaches, significantly improving AUC and GAUC by over 0.02 and reducing logloss by over 13.7%. Further analyses demonstrate that DiseCTR successfully disentangles user interests, which is the key to OOD generalization for CTR prediction. We have released the code and data at https://github.com/DavyMorgan/DiseCTR/.
• Abstract（参考訳）: クリックスルー率(CTR)予測は、ユーザが特定の項目をクリックする確率を推定するものであり、オンライン情報サービスにとって重要なタスクである。 既存のアプローチは、トレーニングとテストデータが同じ分布から来ると強く仮定することが多い。 しかし、ユーザの関心が常に進化しているため、データの分散は様々であり、結果として、アウト・オブ・ディストリビューション(OOD)問題が発生する。 加えて、ユーザは複数の興味を持つ傾向があり、そのうちのいくつかは他のものよりも速く進化する。 この目的に向けて,DiseCTR (Disentangled Click-Through Rate Prediction) を提案する。 我々は,これらの3つの因果メカニズムの深層学習実装を開発するために,ユーザの関心,露出モデル,クリックモデルを含むCTR予測の因果分解を行う。 具体的には、まず、生の特徴をユーザ関心にマッピングする疎度な注目エンコーダを設計し、次に、弱い教師付き関心のゆがみを導入し、独立した関心の埋め込みを学習し、予測のための注意深い関心のアグリゲータによってさらに統合する。 3つの実世界のデータセットによる実験結果から、DefCTRは最先端のアプローチに対するOOD推奨において最高の精度と堅牢性を達成し、AUCとGAUCを0.02以上改善し、ログを13.7%以上削減した。 さらなる分析により、DefCTRは、CTR予測のためのOOD一般化の鍵となる、ユーザの興味を解き放つことに成功した。 コードとデータはhttps://github.com/DavyMorgan/DiseCTR/で公開しました。

関連論文リスト

• GenCI: Generative Modeling of User Interest Shift via Cohort-based Intent Learning for CTR Prediction [84.0125708499372]
  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。
  論文  参考訳（メタデータ） (2026-01-26T08:15:04Z)
• 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)
• RAT: Retrieval-Augmented Transformer for Click-Through Rate Prediction [68.34355552090103]
  本稿では, 試料内および試料間における微細な特徴相互作用の獲得を目的とした検索-拡張変換器(RAT)を開発した。 次に、トランスフォーマー層をカスケードされた注意で構築し、イントラサンプルとクロスサンプルの両方の機能インタラクションをキャプチャします。 実世界のデータセットの実験は、RATの有効性を裏付け、ロングテールシナリオにおいてその利点を示唆している。
  論文  参考訳（メタデータ） (2024-04-02T19:14:23Z)
• Decision-Making Context Interaction Network for Click-Through Rate Prediction [13.279762313462513]
  本稿では,意思決定コンテキストを学習するためのDCIN(Decision-Making Context Interaction Network)を提案する。 パブリックデータセットと産業データセットの実験では、DCINは最先端の手法よりも大幅に優れています。 特に、オンラインA/BテストではCTR+2.9%/CPM+2.1%/GMV+1.5%の改善が得られ、Meituan Waimai広告システムの主要なトラフィックとなった。
  論文  参考訳（メタデータ） (2023-01-29T09:48:01Z)
• 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)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)

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。