Thông cáo báo chí
AI Lab, hai bài báo đồng tác giả được chấp nhận tại “The Web Conference 2024”, một hội nghị kèo bóng đá f88 trong lĩnh vực khai thác dữ liệu và web
CyberAgent Co, Ltd (Trụ sở chính: Shibuya-ku, Tokyo, Giám đốc đại diện: Susumu Fujita, TSE Prime Market: Mã chứng khoán 4751) là một tổ chức nghiên cứu và phát triển công nghệ trí tuệ nhân tạo có tên là Riku Togashi, Kenyuki Abe, Masahiro Nomura, cũng như Yuta Saito của Đại học Cornell và Hanjuku Virtual Co, Ltd, Akika Kiyohara của Đại học Cornell và những người khác là đồng tác giả của hai bài báo tại “Hội nghị Web 2024”, một hội nghị kèo bóng đá f88 trong lĩnh vực khai thác dữ liệu và web※1
``Hội nghị Web'' là một trong những hội nghị quốc tế kèo bóng đá f88 thế giới về lĩnh vực web và khai thác dữ liệu, đồng thời là hội nghị học thuật lớn nhất quy tụ các nhà nghiên cứu kèo bóng đá f88 về nhiều công nghệ liên quan đến webBài viết được chấp nhận sẽ được trình bày tại "The Web Conference 2024" được tổ chức tại Singapore vào tháng 5 năm 2024
■Giới thiệu về hai bài báo đồng tác giả được chấp nhận
"Phòng thí nghiệm AI" nghiên cứu và phát triển nhiều công nghệ AI liên quan đến tiếp thị nói chung, đồng thời đang giải quyết nhiều vấn đề công nghệ khác nhau, đồng thời tăng cường hợp tác giữa ngành và học viện với các trường đại học và tổ chức học thuật
Đặc biệt, nhóm nghiên cứu của chúng tôi trong lĩnh vực máy học tiến hành nghiên cứu lý thuyết nâng cao và nghiên cứu ứng dụng bằng cách sử dụng dữ liệu nội bộ và bên ngoài, đồng thời cũng tập trung vào việc triển khai xã hội và đóng góp học thuật thông qua cộng tác với giới học viện và chính phủHệ thống đề xuất là công nghệ thiết yếu cho các dịch vụ toC và chúng tôi có nhiều kinh nghiệm vận hành trong các dịch vụ thực tế tại công ty và các công ty trong tập đoàn của chúng tôi
“Kiểm soát mức độ phơi sáng có thể mở rộng và có thể chứng minh là hợp lý cho các hệ thống đề xuất quy mô lớn”Tác giả: Riku Togashi (Phòng thí nghiệm AI của CyberAgent)・Kenyuki Abe (Phòng thí nghiệm AI của CyberAgent)・(Đại học Cornell/Công ty TNHH Hanjuku Virtual)
“Đánh giá ngoài chính sách về chính sách cướp phương tiện bằng cách tối ưu hóa tính trừu tượng”Tác giả:(Đại học Cornell)・Masahiro Nomura(Phòng thí nghiệm AI của tác nhân mạng)・(Đại học Cornell/Công ty TNHH Hanjuku Virtual)
| Mục đích của nghiên cứu này là tạo ra một "hệ thống đề xuất xem xét tính công bằng và khả năng mở rộng của các cơ hội hiển thị nội dung" Trong nhiều dịch vụ web, chẳng hạn như nền tảng Nội dung do người dùng tạo và hẹn hò trực tuyến, nơi người dùng tạo nội dung thay mặt cho các công ty, mỗi phần nội dung được đề xuất sẽ được liên kết với một người dùng nhất định, do đó, cơ hội để một số nội dung nhất định được đề xuất và hiển thị với những người dùng khác có tác động đáng kể đến mức độ hài lòng của những người dùng liên quan đến nội dung đó Từ đó, người ta tin rằng sự công bằng trong các cơ hội tiếp xúc với nội dung là điều cần thiết để có được sự hài lòng về dịch vụ lâu dài Các phương pháp của hệ thống đề xuất thông thường xem xét tính công bằng đã tập trung vào cách xây dựng và tối ưu hóa tính công bằng của các cơ hội hiển thị nội dung một cách tự nhiên Tối ưu hóa dựa trên sự công bằng thường phức tạp hơn các hệ thống đề xuất truyền thống không xem xét tính công bằng, vì vậy chúng không được thiết kế có tính đến khả năng mở rộng Do đó, trong nghiên cứu này,Phát triển phương pháp đề xuất có thể mở rộng có tính đến cơ hội hiển thị nội dungTôi đã làm vậy Phương pháp đề xuất đạt được hiệu quả tính toán tương đương với phương pháp đề xuất nhanh nhất hiện có mà không xét đến tính công bằng, giúp có thể áp dụng hệ thống đề xuất xem xét tính công bằng cho các ứng dụng Web quy mô lớn Kết quả của nghiên cứu này dự kiến sẽ được áp dụng cho các dịch vụ thực tế bao gồm cả các dịch vụ của nhóm chúng tôi ＜Link bài viết＞ |
| Mục đích của nghiên cứu này là "đánh giá ngoại tuyến hệ thống đề xuất đề xuất các kết hợp phù hợp" Trong nhiều dịch vụ web như quảng cáo trên Internet, có nhiều trường hợp cần xác minh trước (đánh giá ngoại tuyến) hiệu suất của hệ thống đề xuất mới được đào tạo bằng cách sử dụng dữ liệu trong quá khứ Trong đánh giá ngoại tuyến truyền thống, hệ thống đề xuất thường được giới hạn ở một loại đề xuất duy nhất Tuy nhiên, trong các tình huống sử dụng thực tế, thường cần phải đánh giá sự kết hợp của nhiều yếu tố, chẳng hạn như văn bản quảng cáo và hình nền Trong những trường hợp như vậy, số lượng tùy chọn tăng lên đáng kể do sự kết hợp của nhiều yếu tố, khiến việc xác minh hiệu suất trở nên khó khăn Để giải quyết vấn đề này, nghiên cứu này sử dụng dữ liệu về phản hồi tương tự của người dùng về các kết hợp,Đã phát triển một phương pháp đánh giá ngoại tuyến mới có thể ước tính chính xác hiệu quả hoạt động của các hệ thống đề xuấtTôi đã làm vậy Nghiên cứu này giúp thực hiện đánh giá ngoại tuyến chính xác hơn khi số lượng kết hợp được đề xuất lớn Điều này sẽ giúp việc giới thiệu hệ thống đề xuất tối ưu cho dịch vụ trở nên dễ dàng hơn và dự kiến sẽ mang lại trải nghiệm tốt hơn cho người dùng ＜Link bài viết＞ |
■Tương lai
Các phương pháp được đề xuất trong hai bài viết này sẽ trở thành công nghệ cơ bản cho nghiên cứu và phát triển trong lĩnh vực khai thác web/dữ liệu và dự kiến sẽ được sử dụng trong các dịch vụ thực tế như hệ thống phân phối quảng cáo do công ty chúng tôi cung cấp "AI 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 AI
※1