MOEF: Modeling Occasion Evolution in Frequency Domain for Promotion-Aware Click-Through Rate Prediction

要約

タイトル： 「MOEF: プロモーションに対応したクリックスルー率予測の頻度領域での機会進化モデリング」

要約：

– オンライン市場において、プロモーションは顧客を引き付け、売上を増やすためにますます重要になっており、機会の変化が頻繁に起こるためユーザーの行動も変化する。
– これにより、既存のクリックスルー率（CTR）モデルでは、次に起こる機会の分布の不確実性によりオンラインサービングがうまく一般化されない。
– この論文では、頻繁に変化する場合の推薦のためにMOEFという新しいCTRモデルを提案している。
– まず、オンラインビジネスシナリオから生成された機会信号で構成される時間系列を設計し、スライディングタイムウィンドウに対してフーリエ変換を適用して周波数スペクトルのシーケンスを取得する。
– このシーケンスは「機会進化層」（OEL）で処理され、高次の機会表現が学習され、オンライン分布の不確実性を扱うことができる。
– さらに、複数のエキスパートを採用して、機会表現によって誘導される注意機構を介して、複数の側面からフィーチャ表現を学習し、異なる機会に適応的にフィーチャ表現の混合物を取得し、最終的なCTRを予測する。
– 実験結果は、MOEFの優位性を検証し、オンラインA/Bテストでも代表的なCTRモデルよりも明らかに優れていることを示している。

要約(オリジナル)

Promotions are becoming more important and prevalent in e-commerce to attract customers and boost sales, leading to frequent changes of occasions, which drives users to behave differently. In such situations, most existing Click-Through Rate (CTR) models can’t generalize well to online serving due to distribution uncertainty of the upcoming occasion. In this paper, we propose a novel CTR model named MOEF for recommendations under frequent changes of occasions. Firstly, we design a time series that consists of occasion signals generated from the online business scenario. Since occasion signals are more discriminative in the frequency domain, we apply Fourier Transformation to sliding time windows upon the time series, obtaining a sequence of frequency spectrum which is then processed by Occasion Evolution Layer (OEL). In this way, a high-order occasion representation can be learned to handle the online distribution uncertainty. Moreover, we adopt multiple experts to learn feature representations from multiple aspects, which are guided by the occasion representation via an attention mechanism. Accordingly, a mixture of feature representations is obtained adaptively for different occasions to predict the final CTR. Experimental results on real-world datasets validate the superiority of MOEF and online A/B tests also show MOEF outperforms representative CTR models significantly.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI