kèo bóng đá ngày mai Lab, đồng tác giả bài viết được chấp nhận tại SIGIR, hội nghị hàng đầu trong lĩnh vực truy xuất thông tin và hệ thống đề xuất - Đề xuất phương pháp cho phép học xếp hạng có độ chính xác cao cho các hệ thống đề xuất quy mô lớn -

CyberAgent Co, Ltd (Trụ sở chính: Shibuya-ku, Tokyo, Giám đốc đại diện: Susumu Fujita, Được niêm yết trên Phần đầu tiên của Sở giao dịch chứng khoán Tokyo: Mã chứng khoán 4751) là một tổ chức nghiên cứu và phát triển công nghệ trí tuệ nhân tạo có tên là “kèo bóng đá ngày mai Một bài báo được đồng tác giả bởi Riku Togashi, Masahiro Kato, Mayu Otani, các nhà nghiên cứu thuộc ``Lab'', Giáo sư Tetsuya Sakai của Đại học Waseda, chuyên gia hàng đầu về đánh giá truy xuất thông tin và Giáo sư Shinichi Sato, chuyên gia và cố vấn hàng đầu về nghiên cứu truy xuất hình ảnh và video, đã được công bố tại hội nghị quốc tế trong lĩnh vực truy xuất thông tin, `` Hội nghị ACM SIGIR quốc tế lần thứ 44 về nghiên cứu và phát triển trong truy xuất thông tin (SIGIR 2021)''※1 

``SIGIR'' là hội nghị quốc tế được tổ chức hàng năm bởi các nhà nghiên cứu trên khắp thế giới và là một trong những hội nghị quốc tế uy tín nhất trong lĩnh vực hệ thống truy xuất và đề xuất thông tin Các bài báo được “kèo bóng đá ngày mai Lab” chấp nhận sẽ được trình bày tại “SIGIR 2021”, được tổ chức trực tuyến vào tháng 7 năm 2021


■Nền tảng nghiên cứu
"Phòng thí nghiệm kèo bóng đá ngày mai" nghiên cứu và phát triển nhiều công nghệ kèo bóng đá ngày mai liên quan đến tiếp thị nói chung, đồng thời đang giải quyết nhiều vấn đề kỹ thuật khác nhau, đồng thời tăng cường hợp tác giữa ngành và học viện với các trường đại học và tổ chức học thuật
Trong những năm gần đây, trong các dịch vụ web khác nhau bao gồm quảng cáo trên Internet, công nghệ dự đoán chính xác nội dung phân phối và quảng cáo được mỗi người dùng ưa thích đã đóng một vai trò quan trọng trong việc xác định sự hài lòng của người dùng
Tuy nhiên, do sự gia tăng nhanh chóng về số lượng người dùng và nội dung được phân phối do sự lan truyền của Internet, chi phí rất lớn cho việc học và dự đoán các hệ thống dự đoán hiệu quả đã trở thành một vấn đề

Từ những thử thách này,Trường giải quyết các vấn đề kỹ thuật trong việc dự đoán hiệu ứng cho số lượng lớn người dùng và nội dung được phân phốiđang thu hút sự chú ý và công ty chúng tôi đã đồng tác giả một bài báo về hệ thống khuyến nghị với ông Shinichi Sato phối hợp với ngành công nghiệp và giới học thuậtWSDM 2021」 「WWW 2021''


■Bài viết tóm tắt
Bài viết đồng tác giả “Xếp hạng mục được cá nhân hóa có thể mở rộng thông qua ước tính mật độ tham số” đã được chấp nhận lần này※2 TrongĐã phát triển và đề xuất phương pháp học xếp hạng dựa trên ước tính mật độ cho các hệ thống đề xuất quy mô lớnTôi đã làm vậy


・Giới thiệu về xếp hạng học tập và học tập mẫu
Nói chung, kỹ thuật máy học có tên "Học cách xếp hạng" được sử dụng rộng rãi trong việc phát triển hệ thống đề xuất cho nhiều dịch vụ khác nhau và "Học mẫu" được dùng làm phương pháp hỗ trợ việc học này
"Xếp hạng học tập" tìm hiểu mô hình đề xuất để cải thiện độ chính xác của đề xuất và "học lấy mẫu" học mô hình lấy mẫu và chọn các mẫu thích hợp từ dữ liệu đào tạo quy mô lớn để đào tạo mô hình đề xuất một cách hiệu quả và hiệu quả
Bằng cách này, việc kết hợp học tập xếp hạng và học tập lấy mẫu có thể được kỳ vọng sẽ cải thiện hiệu quả học tập và hiệu suất của hệ thống gợi ý Tuy nhiên, việc học lấy mẫu bằng cách sử dụng Mạng đối thủ sáng tạo (GAN) mới nhất và học tăng cường đòi hỏi phải đào tạo một mô hình lấy mẫu phức tạp bên cạnh mô hình đề xuất, điều này đặt ra vấn đề về chi phí tính toán cao và khó áp dụng thực tế


・Phương pháp đề xuất
Trong nghiên cứu này, chúng tôi đề xuất hàm mục tiêu và phương pháp chính quy hóa mới dựa trên ước tính mật độ bằng cách sử dụng dữ liệu lịch sử như số lần nhấp chuột và số lần mua hàng
Với phương pháp học mới được đề xuất, mô hình lấy mẫu tối ưu phù hợp với mô hình đề xuất đang được đào tạo, vì vậyKhông cần thêm mô hình lấy mẫu nào và có thể tự đào tạo mô hình đề xuấtKết quả là chúng tôi có thể giảm chi phí tính toán của mô hình lấy mẫu mà không ảnh hưởng đến độ chính xác của mô hình đề xuất


▼Hình ảnh thực hiện của phương pháp đề xuất

Hơn nữa, trong một số điều kiện nhất định, phương pháp được đề xuất của chúng tôi là phương pháp lấy mẫu dựa trên GAN có tên là IRGAN※3, nó cũng gợi ý khả năng bỏ qua các mô hình lấy mẫu như IRGAN, vốn đắt tiền và khó áp dụng trong thực tế

Ngoài ra, bài viết còn mô tả phương pháp được đề xuất này và "học theo cặp", một trong những phương pháp học xếp hạng chung※4và cũng đề xuất một phương pháp chính quy hóa để lấp đầy sự khác biệt về hiệu suất giữa phương pháp được đề xuất và học theo cặp

Phương pháp đề xuất này hỗ trợ "học trực tuyến", điều này rất cần thiết cho việc học bằng cách sử dụng dữ liệu quy mô lớn và chúng tôi đã xác nhận rằng phương pháp chính quy hóa được đề xuất cũng có thể được áp dụng cho các phần của Mạng thần kinh đồ thị


■Tương lai
Phương pháp được đề xuất dự kiến sẽ trở thành công nghệ cơ bản để giới thiệu các mô hình sâu phức tạp đòi hỏi thời gian đào tạo và chi phí tính toán vào hệ thống đề xuất, đồng thời sẽ dẫn đến cải thiện độ chính xác và hiệu quả khi dự đoán tác động của khối lượng lớn quảng cáo "kèo bóng đá ngày mai Lab" sẽ tiếp tục nỗ lực nghiên cứu và phát triển với mục tiêu hiện thực hóa công nghệ phân phối quảng cáo chất lượng cao hơn kết hợp công nghệ kèo bóng đá ngày mai


※1 「」
※2
※3
※4 Học theo cặp: Một trong những phương pháp thường được sử dụng trong học xếp hạng