UniMatch: A Unified User-Item Matching Framework for the Multi-purpose Merchant Marketing

要約

クラウド サービスを使用してプライベート ドメイン マーケティングを行う場合、販売者は通常、複数のマーケティング目的のために異なる機械学習モデルを購入する必要があり、非常に高いコストがかかります。
たった 1 つのモデルでアイテムのレコメンデーションとユーザーのターゲティングを同時に実行できる、統一されたユーザーとアイテムのマッチング フレームワークを紹介します。
我々は、多項分布を使用してユーザーとアイテムの相互作用行列をモデル化することによって、上記の同時モデリングが実行可能であることを経験的に実証し、その実装のために双方向のバイアス補正された NCE 損失を提案します。
提案された損失関数は、両方のユーザーを修正することにより、条件付き確率 $p(i|u)$ または $p(u|i)$ の代わりにユーザーとアイテムの結合確率 $p(u,i)$ をモデルが学習するように導きます。
バッチ内のネガティブサンプリングによって引き起こされる項目の偏り。
さらに、私たちのフレームワークはモデルに依存しないため、さまざまなモデル アーキテクチャを柔軟に適応できます。
広範な実験により、私たちのフレームワークは最先端の方法と比較してパフォーマンスが大幅に向上し、コンピューティング リソースと日常のメンテナンスのコストが大幅に削減されることが実証されました。

要約(オリジナル)

When doing private domain marketing with cloud services, the merchants usually have to purchase different machine learning models for the multiple marketing purposes, leading to a very high cost. We present a unified user-item matching framework to simultaneously conduct item recommendation and user targeting with just one model. We empirically demonstrate that the above concurrent modeling is viable via modeling the user-item interaction matrix with the multinomial distribution, and propose a bidirectional bias-corrected NCE loss for the implementation. The proposed loss function guides the model to learn the user-item joint probability $p(u,i)$ instead of the conditional probability $p(i|u)$ or $p(u|i)$ through correcting both the users and items’ biases caused by the in-batch negative sampling. In addition, our framework is model-agnostic enabling a flexible adaptation of different model architectures. Extensive experiments demonstrate that our framework results in significant performance gains in comparison with the state-of-the-art methods, with greatly reduced cost on computing resources and daily maintenance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google