論文の概要: UniCon: A Unified Context-Centric Modeling Paradigm for CTR Prediction

• arxiv url: http://arxiv.org/abs/2609.03290v2
• Date: Fri, 04 Sep 2026 02:43:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 13:53:00.648362
• Title: UniCon: A Unified Context-Centric Modeling Paradigm for CTR Prediction
• Title（参考訳）: UniCon: CTR予測のための統合コンテキスト中心モデリングパラダイム
• Authors: Jiajun Cui, Zhengqi Xu, Fan Zhang, Zhangteng, Gu Tang, Honghong Zhu, Mengxi Wu, Yulin Liang, Xingxing Wang,
• Abstract要約: 本稿では,要求コンテキストを基本モデリング単位として扱う,統合されたコンテキスト中心モデリングアーキテクチャを提案する。 UniConはオフラインのAUCを0.0139改善し、RPMの3.09%、CTRの2.07%、収益の2.95%という統計的に重要なオンラインリフトを達成した。
• 参考スコア（独自算出の注目度）: 7.929681964302929
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unified modeling has become a major direction for industrial click-through rate (CTR) prediction. Existing approaches typically unify sequential and non-sequential signals at the token level, model their interactions in a shared backbone, and increase model capacity to improve scaling behavior. However, this division originates from legacy feature-engineering practice and is misaligned with the underlying decision process. User behavior is inherently a sequence of homogeneous context units; at the level of input organization, historical behavior and the current request differ only in whether their outcomes are observed or remain to be predicted. Treating them as heterogeneous signals obscures structural dependencies within the user's decision context, limiting both scaling efficiency and prediction quality. This limitation is particularly pronounced in context-rich scenarios such as e-commerce shelves and waterfall feeds. To address this, we propose UniCon, a unified context-centric modeling architecture that treats the request context as the basic modeling unit and organizes history and prediction targets as homogeneous context units. Intra-context attention captures local coupling among items within a context (Locality), while inter-context attention models the dynamic evolution of decision states across contexts (Dynamics). This organization bridges the structural gap between history and target and supports more effective scaling of unified CTR models. Context-unit-level sequence compression further reduces deployment overhead. On Meituan search advertising, UniCon improves offline AUC by 0.0139 over a strong production baseline and achieves statistically significant online lifts of 3.09% in RPM, 2.07% in CTR, and 2.95% in revenue.
• Abstract（参考訳）: 統一モデリングは産業クリックスルー率(CTR)予測の主要な方向となっている。 既存のアプローチは一般的に、トークンレベルでのシーケンシャル信号と非シーケンシャル信号を統一し、共有バックボーンでのインタラクションをモデル化し、スケーリングの振る舞いを改善するためにモデルのキャパシティを向上させる。 しかし、この分割は、レガシーな機能エンジニアリングのプラクティスに由来するものであり、根底にある意思決定プロセスと不一致である。 ユーザ行動は本質的に同質なコンテキストユニットのシーケンスであり、入力組織レベルでは、過去の行動と現在の要求は、結果が観察されるか予測されるかでのみ異なる。 それらを異種信号として扱うことは、ユーザの決定コンテキストにおける構造的依存関係を曖昧にし、スケーリング効率と予測品質の両方を制限します。 この制限は、特にeコマース棚やウォーターフォールフィードのようなコンテキストに富むシナリオで顕著である。 そこで本研究では,要求コンテキストを基本モデリング単位として扱い,履歴や予測対象を均質なコンテキスト単位として整理する統合コンテキスト中心モデリングアーキテクチャUniConを提案する。 コンテキスト内アテンションはコンテキスト内の項目間の局所的な結合(局所性)を捉え、コンテキスト間アテンションはコンテキスト間の決定状態の動的進化をモデル化する。 この組織は、履歴とターゲットの間の構造的ギャップを埋め、統合されたCTRモデルのより効率的なスケーリングをサポートする。 コンテキスト単位レベルのシーケンス圧縮は、デプロイメントのオーバーヘッドをさらに減らす。 Meituanの検索広告では、UniConはオフラインのAUCを0.0139改善し、RPMの3.09%、CTRの2.07%、収益の2.95%という統計的に重要なオンラインリフトを達成した。

関連論文リスト

• Revitalizing the Beginning: Avoiding Storage Dependency for Model Merging in Continual Learning [57.10440766103372]
  Trajectory Regularized Merging (TRM) は、拡張されたトラジェクトリ部分空間内の最適化プロセスとしてマージフェーズを再構成するフレームワークである。 本フレームワークは,タスクアライメント,予測整合性,勾配応答性といった3つの相乗的目標を統合し,統合モデルの履歴安定性と再活性化最適化のダイナミクスを同時に保存する。
  論文  参考訳（メタデータ） (2026-05-08T14:07:32Z)
• EST: Towards Efficient Scaling Laws in Click-Through Rate Prediction via Unified Modeling [13.693397814262681]
  近年,産業用クリックスルーレート(CTR)予測の効率化が注目されている。 そこで本研究では,すべての生入力を単一シーケンスで処理して完全に統一されたモデリングを実現する,効率よくスケーラブルな変換器 (EST) を提案する。 ESTは生産ベースラインを大幅に上回り、3.27%のRPM(Revenue Per Mile)と1.22%のCTRリフトを提供する。
  論文  参考訳（メタデータ） (2026-02-11T12:51:54Z)
• From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction [14.997545091069894]
  クリックスルーレート(CTR)予測のためのディープモデルは、しばしば急速に減少するリターンを示す。 我々は根本原因を構造上のミスアライメントとみなしている。 本研究ではフィールド・アウェア・トランスフォーマー(FAT)について述べる。
  論文  参考訳（メタデータ） (2025-11-15T07:55:50Z)
• HoMer: Addressing Heterogeneities by Modeling Sequential and Set-wise Contexts for CTR Prediction [10.779868699316829]
  逐次的および集合的コンテキストをモデル化するためのホモジニアス指向トランスフォーマーであるHoMerを提案する。 HoMerは、AUCメトリックで工業ベースラインを0.0099向上させ、CTR/RPMのようなオンラインビジネスメトリクスを1.99%/2.46%向上させています。
  論文  参考訳（メタデータ） (2025-10-13T07:47:03Z)
• CTR-Sink: Attention Sink for Language Models in Click-Through Rate Prediction [42.92011330807996]
  $textitCTR-Sink$は、レコメンデーションシナリオに適した振る舞いレベルの注意シンクを導入した、新しいフレームワークである。 注意シンク理論にヒントを得て、注意集中シンクを構築し、外部情報を介して注意集約を動的に制御する。
  論文  参考訳（メタデータ） (2025-08-05T17:30:34Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• DLF: Enhancing Explicit-Implicit Interaction via Dynamic Low-Order-Aware Fusion for CTR Prediction [71.41414150295702]
  本稿では,クリックスルー率(CTR)予測をモデル化するための新しいフレームワークである動的低次認識融合(DLF)を提案する。 RLIは残差接続からの冗長性を緩和しながら低次信号を保持し、NAFは各層での明示的および暗黙的な表現を動的に統合し、情報共有を強化する。 公開データセットの実験では、DLFがCTR予測における最先端のパフォーマンスを達成し、既存のモデルの重要な制限に対処していることが示されている。
  論文  参考訳（メタデータ） (2025-05-25T15:05:00Z)
• Real-Time Motion Prediction via Heterogeneous Polyline Transformer with Relative Pose Encoding [121.08841110022607]
  既存のエージェント中心の手法は、公開ベンチマークで顕著な性能を示した。 K-nearest neighbor attention with relative pose encoding (KNARPE) は、トランスフォーマーがペアワイズ相対表現を使用できる新しいアテンション機構である。 エージェント間でコンテキストを共有し、変化しないコンテキストを再利用することで、私たちのアプローチはシーン中心のメソッドと同じくらい効率的になり、最先端のエージェント中心のメソッドと同等に実行されます。
  論文  参考訳（メタデータ） (2023-10-19T17:59:01Z)

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。