Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

InterFormer: Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction

Created by
  • Haebom

作者

Zhichen Zeng, Xiaolong Liu, Mengyue Hang, Xiaoyi Liu, Qinghai Zhou, Chaofei Yang, Yiqun Liu, Yichen Ruan, Laming Chen, Yuxin Chen, Yujia Hao, Jiaqi Xu, Jade Nie, Xi Liu, Buyun Zhang, Wei Kai Wang, Wen-Yen Chen, Yiping Han, Huayu Li, Chunzhi Yang, Bo Long, Philip S. Yu, Hanghang Tong, Jiyan Yang

概要

本論文は、推薦システムにおけるユーザの広告クリック確率を予測するクリック率（ＣＴＲ）予測問題を扱う。ユーザープロファイルや行動シーケンスなどの異種情報の登場により、ユーザーの関心をさまざまな側面から把握できるようになり、これらの異種情報の相互有益な統合がCTR予測成功の核心である。既存の方法は、情報フローの一方向性によるモード間の相互作用の欠如と、早期の要約による過度の情報損失という２つの基本的な制限を有する。本論文では、これらの制限を解決するために、異種情報相互作用を交差的に学習する新しいモジュールであるInterFormerを提案する。 InterFormerは、各データモードの情報を完全に維持し、効果的な情報選択と要約のための別々の接続アーキテクチャを使用して、相互に有益な学習のための双方向情報フローを可能にし、過度の情報集約を回避します。提案されたInterFormerは、3つのパブリックデータセットと大規模産業用データセットで最先端のパフォーマンスを達成しました。

Takeaways、Limitations

•
Takeaways：
◦
異種情報の相互作用を効果的に学習する新しいモジュールであるInterFormerを提示し、CTR予測性能の向上を導いた。
◦
双方向情報の流れと情報損失の最小化戦略を通じて既存の方法の限界を克服した。
◦
公開データセットと大規模産業用データセットで最先端の性能を検証し、実際の適用可能性を示した。
•
Limitations:
◦
InterFormerモジュールの複雑さが高く、計算コストが増加する可能性があります。
◦
特定のデータセットに最適化されたハイパーパラメータ設定が必要な場合があります。
◦
提案された方法の一般化性能に関するさらなる研究が必要である。
👍
Made with Slashpage