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.

Addressing Cold-start Problem in Click-Through Rate Prediction via Supervised Diffusion Modeling

Created by
  • Haebom

저자

Wenqiao Zhu, Lulu Wang, Jun Wu

개요

본 논문은 추천 및 광고 플랫폼에서 클릭률(CTR) 예측의 중요성을 강조하며, 기존 Embedding & MLP 방식의 한계점인 콜드 스타트 문제를 해결하기 위해 새로운 확산 모델을 제안합니다. 이 모델은 아이템 ID 임베딩 공간과 부가 정보 공간 사이의 확산 과정을 정의하여 새로운 아이템에 대한 사전 학습된 임베딩을 생성합니다. 비마르코프 특성을 이용하여 학습 속도를 높이는 서브 시퀀스를 도출하고, 변분 추론과 이진 교차 엔트로피 목적 함수를 통해 콜드 스타트 및 웜업 단계 모두에서 효과적인 임베딩 생성을 가능하게 합니다. 세 개의 추천 데이터셋을 이용한 실험 결과를 통해 제안된 방법의 효과를 확인했습니다.

시사점, 한계점

•
시사점:
◦
콜드 스타트 문제를 효과적으로 해결하는 새로운 확산 모델 기반의 CTR 예측 방법 제시.
◦
비마르코프 확산 모델을 활용한 효율적인 학습 과정 설계.
◦
변분 추론과 이진 교차 엔트로피 목적 함수의 결합을 통한 성능 향상.
◦
실험 결과를 통해 제안된 방법의 우수성 검증.
•
한계점:
◦
제안된 모델의 일반화 성능에 대한 추가적인 연구 필요.
◦
다양한 유형의 부가 정보에 대한 적용성 및 성능 분석 필요.
◦
실험에 사용된 데이터셋의 특징에 대한 자세한 설명 부족.
◦
다른 최신 CTR 예측 모델과의 비교 분석이 더욱 상세하게 필요.
👍
Made with Slashpage