論文の概要: MI-DPG: Decomposable Parameter Generation Network Based on Mutual Information for Multi-Scenario Recommendation
- arxiv url: http://arxiv.org/abs/2603.21209v1
- Date: Sun, 22 Mar 2026 13:07:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.293397
- Title: MI-DPG: Decomposable Parameter Generation Network Based on Mutual Information for Multi-Scenario Recommendation
- Title（参考訳）: MI-DPG:マルチシナリオレコメンデーションのための相互情報に基づく分解可能なパラメータ生成ネットワーク
- Authors: Wenzhuo Cheng, Ke Ding, Xin Dong, Yong He, Liang Zhang, Linjian Mo,
- Abstract要約: MI-DPGはシナリオ条件付き動的モデルパラメータをより効率的かつ効果的に学習する。
3つの実世界のデータセットによる実験により、MI-DPGは従来のマルチシナリオレコメンデーションモデルよりも大幅に優れていた。
- 参考スコア（独自算出の注目度）: 19.025064405763096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conversion rate (CVR) prediction models play a vital role in recommendation and advertising systems. Recent research on multi-scenario recommendation shows that learning a unified model to serve multiple scenarios is effective for improving overall performance. However, it remains challenging to improve model prediction performance across scenarios at low model parameter cost, and current solutions are hard to robustly model multi-scenario diversity. In this paper, we propose MI-DPG for the multi-scenario CVR prediction, which learns scenario-conditioned dynamic model parameters for each scenario in a more efficient and effective manner. Specifically, we introduce an auxiliary network to generate scenario-conditioned dynamic weighting matrices, which are obtained by combining decomposed scenario-specific and scenario-shared low-rank matrices with parameter efficiency. For each scene, weighting the backbone model parameters by the weighting matrix helps to specialize the model parameters for different scenarios. It can not only modulate the complete parameter space of the backbone model but also improve the model effectiveness. Furthermore, we design a mutual information regularization to enhance the diversity of model parameters across different scenarios by maximizing the mutual information between the scenario-aware input and the scene-conditioned dynamic weighting matrix. Experiments from three real-world datasets show that MI-DPG significantly outperforms previous multi-scenario recommendation models.
- Abstract（参考訳）: コンバージョンレート(CVR)予測モデルは、レコメンデーションや広告システムにおいて重要な役割を果たす。
マルチシナリオレコメンデーションに関する最近の研究は、複数のシナリオに対応する統一モデルを学ぶことは、全体的なパフォーマンスを改善するのに効果的であることを示している。
しかし、モデルパラメータコストの低いシナリオでモデル予測性能を改善することは依然として困難であり、現在のソリューションはマルチシナリオの多様性を堅牢にモデル化するのは難しい。
本稿では,シナリオ条件付き動的モデルパラメータをより効率的かつ効果的に学習するマルチシナリオCVR予測のためのMI-DPGを提案する。
具体的には,シナリオ固有行列とシナリオ共有低ランク行列をパラメータ効率で組み合わせ,シナリオ条件付き動的重み付け行列を生成する補助ネットワークを提案する。
各シーンについて、重み付け行列によるバックボーンモデルパラメータの重み付けは、異なるシナリオのモデルパラメータを専門化するのに役立ちます。
バックボーンモデルの完全なパラメータ空間を変調するだけでなく、モデルの有効性を向上させることもできる。
さらに,シナリオ認識入力とシーン条件の動的重み付け行列間の相互情報を最大化することにより,異なるシナリオ間でのモデルパラメータの多様性を高めるための相互情報正規化を設計する。
3つの実世界のデータセットによる実験により、MI-DPGは従来のマルチシナリオレコメンデーションモデルよりも大幅に優れていた。
関連論文リスト
- Revisiting scalable sequential recommendation with Multi-Embedding Approach and Mixture-of-Experts [15.976682531132676]
本稿では,Mixture-of-Experts(MoE)アーキテクチャとマルチ埋め込み戦略を統合するフレームワークであるFuxi-MMEを提案する。
具体的には, 従来の単一埋込行列を複数の低次元埋込行列に分解する。
論文 参考訳（メタデータ） (2025-10-29T08:42:15Z) - Dynamic Fisher-weighted Model Merging via Bayesian Optimization [37.02810891820468]
既存のマージアプローチでは、一般的にパラメータをモデル的にスケーリングするか、パラメータの重要度をパラメータ的に統合する。
我々はこれらの戦略をより一般的な統合フレームワークに統合し、動的フィッシャー重み付け(DF-Merge)を導入する。
DF-Mergeは、異なるサイズと様々なタスクのモデルにおいて、強いベースラインを上回ります。
論文 参考訳（メタデータ） (2025-04-26T18:31:14Z) - Merging Models on the Fly Without Retraining: A Sequential Approach to Scalable Continual Model Merging [75.93960998357812]
ディープモデルマージ(Deep Modelmerging)は、複数の微調整モデルを組み合わせて、さまざまなタスクやドメインにまたがる能力を活用する、新たな研究方向を示すものだ。
現在のモデルマージ技術は、全ての利用可能なモデルを同時にマージすることに集中しており、重量行列に基づく手法が主要なアプローチである。
本稿では,モデルを逐次処理するトレーニングフリーなプロジェクションベース連続マージ手法を提案する。
論文 参考訳（メタデータ） (2025-01-16T13:17:24Z) - Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。
データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
論文 参考訳（メタデータ） (2024-11-30T10:56:30Z) - Semantic Codebook Learning for Dynamic Recommendation Models [55.98259490159084]
動的シーケンシャルレコメンデーション(DSR)は、ユーザの振る舞いに基づいてモデルパラメータを生成し、シーケンシャルレコメンデーションのパーソナライズを改善する。
巨大なパラメータ探索空間と疎結合でノイズの多いユーザ-イテム相互作用の課題に直面するため、生成されたモデルパラメータの適用性が低下する。
Semantic Codebook Learning for Dynamic Recommendation Models (SOLID)フレームワークは、これらの課題に効果的に取り組むことで、DSRの大幅な進歩を示す。
論文 参考訳（メタデータ） (2024-07-31T19:25:25Z) - Bayesian Structural Model Updating with Multimodal Variational Autoencoder [2.4297252937957436]
提案手法は,マルチモーダル変分オートエンコーダ(VAE)のサロゲート・ユニモーダルエンコーダを利用する。
様々な動的解析モデルに適用可能な高次元相関同時観測に特に適している。
論文 参考訳（メタデータ） (2024-06-07T23:12:51Z) - Active-Learning-Driven Surrogate Modeling for Efficient Simulation of
Parametric Nonlinear Systems [0.0]
支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。
我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。
カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
論文 参考訳（メタデータ） (2023-06-09T18:01:14Z) - Prototypical Fine-tuning: Towards Robust Performance Under Varying Data
Sizes [47.880781811936345]
我々は、微調整事前学習言語モデル(LM)のための新しいフレームワークを提案する。
提案手法は,データポイント数やモデル固有の属性に応じて,モデルキャパシティを自動的に調整することができる。
論文 参考訳（メタデータ） (2022-11-24T14:38:08Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳（メタデータ） (2021-04-28T16:48:44Z)
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。