論文の概要: From Latent to Observable Position-Based Click Models in Carousel Interfaces

• arxiv url: http://arxiv.org/abs/2602.16541v1
• Date: Wed, 18 Feb 2026 15:40:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.633191
• Title: From Latent to Observable Position-Based Click Models in Carousel Interfaces
• Title（参考訳）: カルーセルインタフェースにおける潜時から観測可能な位置ベースクリックモデルへ
• Authors: Santiago de Leon-Martinez, Robert Moro, Branislav Kveton, Maria Bielikova,
• Abstract要約: クリックモデルは、レコメンデーションシステムにおける学習と評価の中心的なコンポーネントである。 現代のレコメンデータープラットフォームはカルーセルのような複雑なインターフェースをますます利用している。 カルーセルインタフェースにおける位置ベースクリックモデルについて検討し,最適化手法を検討する。
• 参考スコア（独自算出の注目度）: 19.741152239193674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Click models are a central component of learning and evaluation in recommender systems, yet most existing models are designed for single ranked-list interfaces. In contrast, modern recommender platforms increasingly use complex interfaces such as carousels, which consist of multiple swipeable lists that enable complex user browsing behaviors. In this paper, we study position-based click models in carousel interfaces and examine optimization methods, model structure, and alignment with user behavior. We propose three novel position-based models tailored to carousels, including the first position-based model without latent variables that incorporates observed examination signals derived from eye tracking data, called the Observed Examination Position-Based Model (OEPBM). We develop a general implementation of these carousel click models, supporting multiple optimization techniques and conduct experiments comparing gradient-based methods with classical approaches, namely expectation-maximization and maximum likelihood estimation. Our results show that gradient-based optimization consistently achieve better click likelihoods. Among the evaluated models, the OEPBM achieves the strongest performance in click prediction and produces examination patterns that most closely align to user behavior. However, we also demonstrate that strong click fit does not imply realistic modeling of user examination and browsing patterns. This reveals a fundamental limitation of click-only models in complex interfaces and the need for incorporating additional behavioral signals when designing click models for carousel-based recommender systems.
• Abstract（参考訳）: クリックモデルはレコメンデーションシステムにおける学習と評価の中心的なコンポーネントであるが、既存のモデルのほとんどは単一のランクリストインターフェース用に設計されている。 対照的に、現代のレコメンデータプラットフォームでは、複雑なユーザブラウジングの動作を可能にする複数のスワイプ可能なリストからなるカルーセルのような複雑なインターフェースがますます採用されている。 本稿では,カルーセルインタフェースにおける位置ベースクリックモデルについて検討し,最適化手法,モデル構造,ユーザ行動との整合性を検討した。 本稿では,眼球追跡データから得られた観察検査信号を組み込んだ潜伏変数のない位置ベースモデルであるOEPBM(Observed Examination Position-Based Model)を含む,カルーセルに適した3つの新しい位置ベースモデルを提案する。 我々はこれらのカルーセルクリックモデルの一般的な実装を開発し、複数の最適化手法をサポートし、古典的なアプローチ、すなわち期待最大化と最大推定値の比較実験を行う。 その結果、勾配に基づく最適化は、常により良いクリック可能性を実現することがわかった。 評価モデルのうち,OEPBMはクリック予測において最強のパフォーマンスを達成し,ユーザ行動に最もよく適合する検査パターンを生成する。 しかし、強いクリックフィットは、ユーザ検査やブラウジングパターンの現実的なモデリングを意味するものではないことも示している。 これは、複雑なインタフェースにおけるクリックオンリーモデルの基本的な制限と、カルーセルベースのレコメンデータシステムのためのクリックモデルの設計時に追加の行動信号を導入する必要性を明らかにする。

関連論文リスト

• Multimodal Foundation Model-Driven User Interest Modeling and Behavior Analysis on Short Video Platforms [4.393914222141582]
  本稿では,ユーザ関心モデリングと行動分析のためのマルチモーダル基礎モデルに基づくフレームワークを提案する。 本研究では、動的興味の進化をモデル化するために、視聴、好み、コメントのシーケンスを組み込んだ行動駆動型特徴埋め込み機構を導入する。 その結果, 行動予測精度, 冷間開始ユーザの関心モデリング, クリックスルー率の大幅な改善が示された。
  論文  参考訳（メタデータ） (2025-09-05T02:05:10Z)
• Rethinking Click Models in Light of Carousel Interfaces: Theory-Based Categorization and Design of Click Models [57.83744150783658]
  我々は、この時代遅れの見解は、クリックモデル設計の基本を適切に説明できないと論じる。 本稿では,クリックモデルが捉え得る統計的パターンを説明する3つの基本的キー設計選択を提案する。 これらの選択に基づいて、既存のすべてのクリックモデルと有意義な比較を可能にする、新しいクリックモデル分類を作成する。
  論文  参考訳（メタデータ） (2025-06-23T11:57:11Z)
• FuXi-$α$: Scaling Recommendation Model with Feature Interaction Enhanced Transformer [81.12174905444229]
  近年の進歩は、大規模レコメンデーションモデルに逐次レコメンデーションモデルを拡張することが効果的な戦略であることを示している。 これらの問題に対処するために、FuXi-$alpha$と呼ばれる新しいモデルを提案する。 我々のモデルは既存のモデルよりも優れており、モデルのサイズが大きくなるにつれてその性能は継続的に向上する。
  論文  参考訳（メタデータ） (2025-02-05T09:46:54Z)
• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• This Looks Better than That: Better Interpretable Models with ProtoPNeXt [14.28283868577614]
  原型部品モデルは、コンピュータビジョンのためのブラックボックスディープラーニングモデルに代わる一般的な解釈可能な代替品である。 原型モデルのコンポーネントを統合するための新しいフレームワーク、ProtoPNeXtを作成します。
  論文  参考訳（メタデータ） (2024-06-20T18:54:27Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
  本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。 実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。 Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-05-30T16:55:59Z)
• The Generalized Cascade Click Model: A Unified Framework for Estimating Click Models [0.0]
  本稿では、一般化モデル(GCM)を提案し、このモデルをIO-HMM EMフレームワークを用いてどのように推定するかを示す。 クリックモデルを推定するためのGCMアプローチもgecasmo Pythonパッケージに実装されています。
  論文  参考訳（メタデータ） (2021-11-22T16:14:20Z)

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。