Core Concepts
교차 단계 데이터를 활용하여 사용자 표현을 풍부하게 만들어 클릭률 예측 정확도를 향상시킬 수 있다.
Abstract
이 논문은 사용자 행동 시퀀스에만 의존하는 기존 클릭률 예측 모델의 한계를 지적하고, 교차 단계 데이터를 활용하여 이를 극복하는 새로운 모델 RAR을 제안한다.
RAR은 두 가지 핵심 구성 요소로 이루어져 있다:
교차 단계 사용자 및 아이템 선택 모듈: 유사한 사용자 집합과 회상 아이템 집합을 선별하여 사용자 표현을 풍부하게 만든다.
공동 상호작용 모듈: 선별된 사용자와 아이템 간의 세부적인 호환성을 모델링하여 사용자 관심사를 더 잘 포착한다.
RAR은 기존 클릭률 예측 모델과 호환되어 성능 향상을 가져올 수 있다. 실험 결과, RAR은 다양한 SOTA 모델 대비 최대 5%의 AUC 성능 향상을 보였다.
Stats
대부분의 사용자가 전체 아이템 중 극히 일부만 상호작용한다.
특정 사용자의 행동은 소수의 카테고리에 집중되어 있다.
Quotes
"사용자 행동 시퀀스에만 의존하는 것은 본질적으로 제한적이다. 사용자의 관심사는 이전에 상호작용했던 아이템의 범위를 넘어선다."
"회상 단계는 본질적으로 유사한 사용자-아이템 목록을 생성하여 교차 인스턴스 모델링 기능을 제공한다."