Core Concepts
ユーザー行動履歴のみに依存するのではなく、ユーザープロファイルと関連アイテムを活用することで、ユーザー表現を豊かにし、クリック率予測精度を向上させる。
Abstract
本論文では、クリック率予測の精度向上のために、ユーザー行動履歴のみに依存するのではなく、クロスステージのデータを活用する手法を提案している。具体的には以下の2つのアプローチを取る:
ユーザープロファイリングとリコメンデーションアイテムの2つのデータソースを活用し、ユーザー表現を豊かにする。
ユーザーと関連アイテムの相互作用をモデル化する新しいモジュールを導入する。
ユーザー行動履歴は一般的に同質性が高く、アイテムプールに比べて非常に限定的である。そのため、ユーザー行動履歴のみに依存するのではなく、ユーザープロファイルとリコメンデーションアイテムを活用することで、ユーザー表現を大幅に改善できる。
提案手法であるRecall-Augmented Ranking (RAR)は、ユーザー選択モジュールとコインタラクションモジュールの2つのサブモジュールから構成される。ユーザー選択モジュールは、ユーザープロファイルとリコメンデーションアイテムから最も関連性の高いものを選択する。コインタラクションモジュールは、ユーザーと選択されたアイテムの相互作用を詳細にモデル化する。
実験の結果、RARは既存の手法と比べて大幅な精度向上を示し、様々なベースモデルとの互換性も高いことが確認された。
Stats
ユーザーが過去に関与したアイテムは全体の数%しかない
ある特定のユーザーの行動履歴は4-5カテゴリに集中している
Quotes
"ユーザー行動履歴は一般的に同質性が高く、アイテムプールに比べて非常に限定的である。"
"ユーザープロファイルとリコメンデーションアイテムを活用することで、ユーザー表現を大幅に改善できる。"