研究论文

基于序列行为和广告交互历史的目标细分生成转移学习模型

作者:

托马什帕尔琴斯基,

英南朱，以及

香园赵作者信息和声明

ICMLC’23：2023年第15届机器学习和计算国际会议论文集

2023年2月

页109-115

https://doi.org/10.1145/3587716.35877734

出版:2023年9月7日出版历史

获取访问权限

摘要

在线广告是提高公司RoI（投资回报）的关键方法。随着深度学习最近的成功，许多方法通过从广告交互历史中预测谁将点击广告来生成目标细分市场（例如，用户A在时间t点击/未点击广告B）。然而，从他们的连续行为历史（例如，用户A在时间t与项目B交互时的评级值）中，我们可以注意到，用户可能出于短期好奇心或偶然点击广告，即使他们对该特定项目的评级很低。不幸的是，许多推荐方法仍然认为该用户对该项目感兴趣，因为在这些模型中，用户的连续行为历史被忽略了。我们认为，同时考虑用户对广告项目的顺序行为和广告交互行为，将有助于我们确定用户的广告点击意愿。因此，在本文中，我们提出了一个模型，该模型首先使用序列行为历史上的变换器模型学习用户的项目偏好（评级）信息。最后，我们传递学习到的商品偏好信息，并训练模型来预测用户在广告交互历史上的商品广告点击意愿。对包含2800多万用户信息的真实世界数据的实验结果证明，使用顺序行为和广告交互历史比仅考虑广告交互历史效果更好。

工具书类

[1]

Dzmitry Bahdanau、Kyunghyun Cho和Yoshua Bengio。2014年，通过联合学习对齐和翻译实现神经机器翻译。arXiv预印本arXiv:1409.0473（2014）。

[2]

白济阳、任玉祥、张嘉伟。2022.测量和采样：图神经网络的度量引导子图学习框架。国际智能系统杂志（2022）。

数字图书馆

[3]

曹少生、陆伟和徐琼凯。2016.用于学习图形表示的深度神经网络。《AAAI人工智能会议论文集》，第30卷。

[4]

陈启伟、赵欢、李伟、黄佩佩和欧文武。2019.阿里巴巴电子商务推荐行为序列转换器。第一届高维稀疏数据深度学习实践国际研讨会论文集。1–4.

数字图书馆

[5]

Kyunghyun Cho、Bart Van Merriönboer、Dzmitry Bahdanau和Yoshua Bengio。2014.关于神经机器翻译的特性：编码器-解码器方法。arXiv预印arXiv:1409.1259（2014）。

[6]

马蒂亚斯·费伊（Matthias Fey）、扬·E·伦森（Jan E Lenssen）、弗兰克·魏切特（Frank Weichert）和尤尔·莱斯科维奇（Jure Leskovec）。2021.Gnnautoscale：通过历史嵌入实现可扩展和表达的图形神经网络。在机器学习国际会议上。PMLR，3294–3304。

[7]

何向南、廖丽姿、张汉旺、聂丽强、胡霞和蔡大胜。2017年，《神经协同过滤》，第26届国际互联网会议论文集。173–182.

数字图书馆

[8]

Balázs Hidasi、Alexandros Karatzoglou、Linas Baltrunas和Domonkos Tikk。2015.基于会话的建议，带有递归神经网络。arXiv预印本arXiv:1511.06939（2015）。

[9]

Balázs Hidasi和Domonkos Tikk。2012.基于ALS的快速张量因子分解，用于隐式反馈的上下文软件推荐。在关于数据库中的机器学习和知识发现的欧洲联合会议上。施普林格，67–82岁。

[10]

Sepp Hochreiter和Jürgen Schmidhuber。1997.长短期记忆。神经计算9，8（1997），1735-1780。

数字图书馆

[11]

耶胡达·科伦、罗伯特·贝尔和克里斯·沃林斯基。2009.推荐系统的矩阵分解技术。计算机42，8（2009），30–37。

数字图书馆

[12]

托马斯·米科洛夫（Tomas Mikolov）、陈凯（Kai Chen）、格雷格·科拉多（Greg Corrado）和杰弗里·迪恩（Jeffrey Dean）。2013.向量空间中单词表示的有效估计。arXiv预印本arXiv:1301.3781（2013）。

[13]

戈博尔·塔卡奇（Gábor Takács）、伊斯特万·皮拉西（István Pilászy）、波蒂安·内梅特（Bottyán németh）和多蒙科斯·提克（Domonkos Tikk）。netflix奖问题的矩阵分解和基于邻居的算法。在2008年ACM推荐系统会议记录中。267–274.

数字图书馆

[14]

屠存超、张正彦、刘志远和孙茂松。2017.TransNet：基于翻译的网络表征学习，用于社会关系提取。在IJCAI。2864–2870.

[15]

华金·范肖伦（Joaquin Vanschoren）。2018年，元学习：一项调查。arXiv预印arXiv:1810.03548（2018）。

[16]

阿什什·瓦斯瓦尼（Ashish Vaswani）、诺姆·沙泽尔（Noam Shazeer）、尼基·帕尔玛（Niki Parmar）、雅各布·乌斯科雷特（Jakob Uszkoreit）、利昂·琼斯（Llion Jones）、艾丹·戈麦斯（Aidan N Gomez）、尤卡斯·凯泽（ukasz Kaiser。2017年。你所需要的就是关注。神经信息处理系统进展30（2017）。

[17]

里卡多·维拉尔塔和尤塞夫·德里西。2002年，元学习的观点和调查。《人工智能评论》18，2（2002），77–95。

[18]

乔·维纳格雷、阿利皮奥·马里奥·豪尔赫和乔·加马。2014.快速增量矩阵分解，用于推荐，仅提供正面反馈。在用户建模、适应和个性化国际会议上。施普林格，459–470。

[19]

王代新、崔鹏、朱文武。2016。结构深度网络嵌入。第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集。1225–1234.

数字图书馆

[20]

王继哲、黄佩佩、赵欢、张志波、赵斌强和李迪伦。2018年，阿里巴巴电子商务推荐数十亿商品嵌入。第24届ACM SIGKDD知识发现与数据挖掘国际会议论文集。839–848.

数字图书馆

[21]

王翔、何向南、王萌、冯富力和蔡大胜。2019.神经图协同过滤。第42届ACM SIGIR信息检索研究与开发国际会议论文集。165–174.

数字图书馆

[22]

Karl Weiss、Taghi M Khoshgoftaar和Ding Ding Wang。2016年，迁移学习调查。《大数据杂志》3，1（2016），1-40。

[23]

应浩超、陈亮、熊宇文、吴健。2016.协作深度排名：一种混合的成对推荐算法，具有隐式反馈。在太平洋-东盟知识发现和数据挖掘会议上。施普林格，555-567。

数字图书馆

[24]

应浩超、庄福珍、张福正、刘彦驰、徐冠东、谢兴、熊慧和吴健。2018.基于分层注意网络的顺序推荐系统。在IJCAI国际人工智能联合会议上。

[25]

于海阳、王丽梅、王伯坤、刘孟、杨天宝和姬水旺。2022.GraphFM：通过特征动量改进大规模GNN训练。在机器学习国际会议上。PMLR，25684–25701。

[26]

张福正，袁景伟，连德福，谢兴，马伟英，2016。推荐系统的协作知识库嵌入。第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集。353–362.

数字图书馆

[27]

张木涵和陈一新。2019.基于图形神经网络的归纳矩阵完成。arXiv预印本arXiv:1904.12058（2019）。

[28]

赵祥宇、顾长生、张浩生、杨希旺、刘晓兵、汤继良、刘慧。2021.亲爱的：推荐系统中在线广告印象的深度强化学习。《AAAI人工智能会议论文集》，第35卷。750–758.

[29]

赵祥宇、张亮、丁卓业、龙霞、汤继良、尹大伟。2018.通过两两深度强化学习获得负面反馈的建议。第24届ACM SIGKDD知识发现与数据挖掘国际会议论文集。1040–1048.

数字图书馆

[30]

庄福珍、齐志远、段科宇、奚东波、朱永春、朱恒树、熊慧和清河。2020.关于迁移学习的全面调查。程序。IEEE 109，1（2020），43–76。

索引术语

基于序列行为和广告交互历史的目标细分生成转移学习模型
1. 信息系统
  1. 信息检索
    1. 用户和交互式检索
      1. 个性化

建议

行为排名的迁移学习

智能推荐已被公认为解决大数据时代信息过载问题的主要途径之一。一个典型的智能推荐引擎通常由三个主要组件组成，即数据作为。。。
阅读更多信息
NextBasket推荐的学习分层表示模型
SIGIR’15：第38届国际ACM SIGIR信息检索研究与开发会议记录

下一篮子建议是市场篮子分析中的一项关键任务。给定一个用户的购买历史记录，通常是一系列交易数据，可以尝试构建一个推荐人，该推荐人可以预测用户最可能会。。。
阅读更多信息
基于翻译的推荐
RecSys’17：第十一届ACM推荐系统会议记录

对用户和项目之间以及项目本身之间的复杂交互进行建模是设计成功推荐系统的核心。一个经典的设置是预测用户的个性化顺序行为（或“下一项”。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图片ACM其他会议

ICMLC’23：2023年第15届机器学习和计算国际会议记录

2023年2月

619页

国际标准图书编号：9781450398411

内政部：10.1145/3587716

版权所有©2023 ACM。

允许制作本作品的全部或部分数字或硬拷贝供个人或课堂使用，但不收取任何费用，前提是复制品的制作或分发不是为了盈利或商业利益，并且复制品在首页注明本通知和完整引文。必须尊重作者以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布，在服务器上发布或重新发布到列表，需要事先获得特定许可和/或付费。从请求权限[电子邮件保护].

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2023年9月7日

权限

请求对此文章的权限。

检查更新

作者标记

限定符

研究文章
研究
推荐有限公司

会议

ICMLC 2023年

ICMLC 2023:2023第15届机器学习和计算国际会议

2023年2月17日至20日

中国珠海

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

0
引文总数
31
总下载次数

下载次数（过去12个月）31
下载次数（最近6周）2

其他指标

查看作者指标

引文

视图选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

视图选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

HTML格式格式

在中查看本文HTML格式格式。

媒体

数字

其他

桌子