Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Diffusion-based Multi-modal Synergy Interest Network for Click-through Rate Prediction

Created by
  • Haebom

저자

Xiaoxi Cui, Weihai Lu, Yu Tong, Yiheng Li, Zhejun Zhao

개요

본 논문은 기존 클릭률 예측(CTR) 방법들이 주로 ID 모달리티에 기반하여 사용자의 다양한 선호도를 포괄적으로 모델링하지 못하는 한계를 지적하며, 다모달 CTR 예측을 위한 새로운 프레임워크인 Diffusion-based Multi-modal Synergy Interest Network (Diff-MSIN)을 제안한다. Diff-MSIN은 Multi-modal Feature Enhancement (MFE) Module, Synergistic Relationship Capture (SRC) Module, 그리고 Feature Dynamic Adaptive Fusion (FDAF) Module의 세 가지 모듈로 구성되어 있으며, 각 모듈은 다양한 모달리티 간의 상승작용, 공통점, 특수성을 추출하고, 사용자 선호도를 포착하며 융합 노이즈를 줄이는 데 초점을 맞춘다. Rec-Tmall과 세 개의 Amazon 데이터셋을 사용한 실험 결과, Diff-MSIN은 기존 방법보다 최소 1.67% 향상된 성능을 보였다.

시사점, 한계점

•
시사점:
◦
다모달 정보를 활용하여 사용자의 다양한 선호도를 더욱 정확하게 모델링할 수 있는 새로운 CTR 예측 프레임워크를 제시하였다.
◦
기존 다모달 융합 방법들의 한계를 극복하고, 모달리티 간의 상승 효과를 효과적으로 모델링하는 새로운 방법을 제안하였다.
◦
제안된 방법이 다양한 데이터셋에서 기존 방법보다 우수한 성능을 보임을 실험적으로 증명하였다.
◦
공개된 코드를 통해 재현성을 확보하였다.
•
한계점:
◦
제안된 방법의 성능 향상이 특정 데이터셋에 국한될 가능성이 있다.
◦
더욱 다양하고 대규모의 데이터셋을 사용한 추가적인 실험이 필요하다.
◦
제안된 프레임워크의 계산 복잡도 및 효율성에 대한 분석이 부족하다.
👍
Made with Slashpage