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.

On the Practice of Deep Hierarchical Ensemble Network for Ad Conversion Rate Prediction

Created by
  • Haebom

저자

Jinfeng Zhuang, Yinrui Li, Runze Su, Ke Xu, Zhixuan Shao, Kungang Li, Ling Leng, Han Sun, Meng Qi, Yixiong Meng, Yang Tang, Zhifang Liu, Qifei Shen, Aayush Mudgal

개요

본 논문은 광고 추천 시스템의 성공에 중요한 역할을 하는 클릭률(CTR) 및 전환율(CVR) 예측에 관한 연구이다. 기존의 심층 계층적 앙상블 네트워크(DHEN)가 CTR 예측에서 성공을 거두었지만, 전환 광고 환경(사용자의 타사 웹사이트 또는 앱에서의 구매, 장바구니 추가, 회원 가입 등의 행동 확률을 예측)에서의 CVR 예측 성능은 불분명하다. 따라서 본 논문은 DHEN의 효율적인 CVR 예측을 위한 연구를 수행한다. 구체적으로, DHEN에 포함할 최적의 특징 교차 모듈(MLP, DCN, Transformer 등), DHEN의 최적 깊이 및 너비, 각 특징 교차 모듈의 최적 하이퍼파라미터를 연구하고, 다중 작업 학습 프레임워크를 제안하여 모든 CVR 작업을 예측한다. 또한, 온사이트 실시간 사용자 행동 시퀀스와 오프사이트 전환 이벤트 시퀀스를 모두 활용하고, CVR 예측의 레이블 부족 문제를 해결하기 위해 자기 지도 학습 보조 손실 함수를 제안한다. 결과적으로, 사전 훈련된 사용자 개인화 기능을 사용하는 기존의 단일 특징 교차 모듈에 비해 최첨단 성능을 달성하였다.

시사점, 한계점

•
시사점:
◦
다중 작업 학습 프레임워크를 활용한 DHEN의 CVR 예측 성능 향상 방안 제시.
◦
온사이트 및 오프사이트 사용자 행동 시퀀스를 통합하여 CVR 예측 정확도 향상.
◦
자기 지도 학습 보조 손실 함수를 통한 레이블 부족 문제 해결 및 성능 개선.
◦
다양한 특징 교차 모듈의 비교 분석을 통한 최적 모델 구조 도출.
◦
기존 단일 특징 교차 모듈 대비 최첨단 성능 달성.
•
한계점:
◦
제안된 방법의 특정 데이터셋에 대한 의존성.
◦
DHEN의 최적 구조 및 하이퍼파라미터 설정에 대한 일반화 가능성 부족.
◦
실제 서비스 환경에서의 성능 검증 부족.
◦
자기 지도 학습 보조 손실 함수의 효과에 대한 추가적인 분석 필요.
👍
Made with Slashpage