Predicting clicks in online display advertising with latent features and side-information
원문 초록
We review a method for click-through rate prediction based on the work of Menon et al. [11], which combines collaborative filtering and matrix factorization with a side-information model and fuses the outputs to proper probabilities in [0,1]. In addition we provide details, both for the modeling as well as the experimental part, that are not found elsewhere. We rigorously test the performance on several test data sets from consecutive days in a click-through rate prediction setup, in a manner which reflects a real-world pipeline. Our results confirm that performance can be increased using latent features, albeit the differences in the measures are small but significant.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
PIT-SUN: 추천 시스템 회귀를 위한 기댓값 일관성 복원 기반의 배포 가능한 경험적 주변 변환 프레임워크
PIT-SUN: A Deployable Empirical Marginal Transform Framework with Expectation-Consistent Recovery for Regression in Recommender Systems
원래 공간의 조건부 기댓값 추정은 체류 시간, GMV, LTV 예측 등 가치 기반 추천 시스템의 핵심 과제이다. 표준 MSE는 원칙적으로 기댓값 일관성을 갖추고 있으나, 헤비테일·영 과잉(zero-inflated)·다봉 분포 타깃에서 기울기가 불안정해져 평균 붕괴(mean collapse)와 꼬리 축소(tail shrinkage)를 유발한다. 타깃 변환은 이러한 스케일 충돌을 완화하지만, 유용한 비선형 주변 변환은 직접 역변환 시 기댓값 일관성을 잃는다. 이는 구현 상의 실수가 아니다. 직접 역변환 추정기가 보편적으로 기댓값 일관성을 갖기 위해서는 역변환이 아핀(affine)이어야 하며, 이는 유계 꼬리 압축과 동시에 달성될 수 없다. 기존의 조건부 선형 복원 방법들은 기댓값 일관성을 회복하지만, 희소하고 복잡한 주변 분포에 대해 어떤 좌표, 역분위수 조회, 복원 기저, 배포 모니터를 선택해야 하는지는 여전히 열린 문제로 남아 있다. 본 논문은 배포 가능한 경험적 주변 복원 프레임워크인 확률 적분 변환 기반 불편 복원(Probability-Integral-TranSformed Unbiased recovery, PIT-SUN)을 제안한다. PIT-SUN은 하나의 경험적 주변 테이블을 이용해 유계 정규 점수 좌표, 역분위수 조회, 분산 제어 복원 기저, 드리프트 모니터링을 정의하고, 변환된 예측을 직접 역변환하는 대신 승산적 SUN 복원을 적용하여 원래 공간의 기댓값을 추정한다. 합성 분포, 공개 벤치마크, 대규모 산업 데이터셋, 온라인 배포 실험에서 경량의 배포 오버헤드로 포인트 정확도, 캘리브레이션, 랭킹 품질 전반에 걸쳐 안정적인 성능 향상이 확인되었다.
MOSAIC: 계층적 의미 정렬을 통한 협력적 지식 추적 오케스트레이션
MOSAIC: Orchestrating Collaborative Knowledge Tracing with Hierarchical Semantic Alignment
지식 추적(Knowledge Tracing, KT)은 개인화 교육에 있어 중요하지만, 전통적으로 두 가지 핵심적인 한계를 지니고 있다: 의미적 깊이를 무시하는 얕은 ID 기반 표현에 대한 의존성과, 계층적 지식 의존성을 간과하는 단일 세분성 숙달도 추정에 대한 제약이 그것이다. 이러한 문제를 해결하기 위해, 우리는 순차 모델링과 대규모 언어 모델(LLM) 기반 의미 정렬을 오케스트레이션하는 새로운 프레임워크인 MOSAIC(Multi-granularity Online Semantic AI for Collaborative Knowledge)을 제안한다. LLM을 단순히 예측기로만 활용하는 방법들과 달리, MOSAIC은 동결된 LLM을 활용하여 동적이고 맥락 인식적인 임베딩과 계층적 예측 프롬프트를 생성함으로써 협력 신호와 동료 간 상호작용을 명시적으로 포착한다. 나아가, 개념, 주제 클러스터, 전체 숙련도 수준에 걸쳐 숙달도 추정을 공동으로 정규화하는 교차 세분성 일관성 목적 함수를 도입한다. ASSISTments, EdNet, 그리고 새롭게 수집한 대규모 MOOC 데이터셋에 대한 광범위한 실험을 통해 MOSAIC이 새로운 최고 성능(state-of-the-art)을 달성함을 입증한다. 구체적으로, 우리의 방법은 모든 벤치마크에 걸쳐 AUC 최대 3.4%, 정확도 최대 2.5% 향상을 달성한다. 특히 MOSAIC은 협력이 풍부한 환경과 장시퀀스 시나리오에서 우수한 견고성을 보이며(MOOC에서 AUC 0.862), 높은 예측 정밀도와 의미론적으로 근거 있는 해석 가능성을 함께 제공한다.
News Popularity Beyond the Click-Through-Rate for Personalized Recommendations
v-TCM: Vertical-aware Transformer Click Model for Web Search
TiSASRec: Time Interval Aware Self-Attention for Sequential Recommendation
Next Check-ins Prediction via History and Friendship on Location-Based Social Networks
토론
이 논문과 연결된 포럼 글이 아직 없습니다.