FAN: Fatigue-Aware Network for Click-Through Rate Prediction in E-commerce Recommendation

要約

タイトル: FAN: Eコマース推薦のクリックスルー率予測における疲労感を考慮したネットワーク

要約:
– クリックにはしばしば大きなノイズが含まれるため、暗黙的な負のユーザーの行動（例:クリックしないこと）をモデル化することに多くの研究が注力している
– しかし、これらの方法は明示的な負のユーザーの行動（例：嫌い）に頼っているか、またはクリックしないことを単に負のフィードバックとして扱っているため、負のユーザーの興味を包括的に学習することができなくなってしまう
– そうした状況では、多くの似たような推薦を見ることによってユーザーが疲れを感じる可能性がある
– この論文では、ユーザーの疲労感を非クリックから直接察知することができる新しいCTR（クリックスルー率）モデルであるFatigue-Aware Network (FAN) を提案する
– 具体的には、最初にフーリエ変換を非クリックから生成された時系列データに適用して、ユーザーの疲労感に関する包括的な情報を含む周波数スペクトルを取得する
– 次に、ターゲットアイテムのカテゴリ情報で周波数スペクトルを調整して、疲労感の上限値とユーザーの忍耐力が異なることをモデル化する
– さらに、ゲーティング・ネットワークを採用してユーザーの疲労感の信頼度をモデル化し、補助タスクを設計してユーザーの疲労感の学習を促すことで、よく学習された疲労感表現を取得し、それをユーザーの興味と組み合わせて最終的なCTR予測に使用する
– 実験結果は、FANの優越性を検証し、オンライン A/B テストでも、代表的なCTRモデルよりもFANが優れていることを示している

要約(オリジナル)

Since clicks usually contain heavy noise, increasing research efforts have been devoted to modeling implicit negative user behaviors (i.e., non-clicks). However, they either rely on explicit negative user behaviors (e.g., dislikes) or simply treat non-clicks as negative feedback, failing to learn negative user interests comprehensively. In such situations, users may experience fatigue because of seeing too many similar recommendations. In this paper, we propose Fatigue-Aware Network (FAN), a novel CTR model that directly perceives user fatigue from non-clicks. Specifically, we first apply Fourier Transformation to the time series generated from non-clicks, obtaining its frequency spectrum which contains comprehensive information about user fatigue. Then the frequency spectrum is modulated by category information of the target item to model the bias that both the upper bound of fatigue and users’ patience is different for different categories. Moreover, a gating network is adopted to model the confidence of user fatigue and an auxiliary task is designed to guide the learning of user fatigue, so we can obtain a well-learned fatigue representation and combine it with user interests for the final CTR prediction. Experimental results on real-world datasets validate the superiority of FAN and online A/B tests also show FAN outperforms representative CTR models significantly.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI