用自注意力建模选择
离散选择模型与神经网络相比,在预测客户购买概率方面表现得更具表现力、能够捕捉客户异质性和行为,但难以估计且无法捕捉客户行为的许多显著特征。本文首先研究了单个神经网络架构是否能够预测来自不同背景和模型假设下的购买概率。接下来,我们开发了一种适用于现成整数规划求解器的组合优化公式。在模拟和实际数据集上与各种基准离散选择模型进行了比较,同时通过一些训练技巧使神经网络预测及后续优化具备鲁棒性,并能与其他模型相媲美。
Aug, 2023
关注模型有三种不同的潜在变量边际可能性(LVML):软关注、硬关注和软关注损失。我们观察到使用这些范例学到的模型具有独特的特征,并且提出了一种简单的混合方法,结合了不同损失函数的优点。
Jul, 2023
本文介绍了一种基于非参数估计的选择模型,该模型使用神经网络逼近各种现有选择模型,并扩展到包括对内生特征的估计,同时介绍了一种有效的置信区间构建方法,使用真实数据进行了实证分析,并验证了其在实际应用中的可行性。
Jul, 2023
提供选择的替代方案是许多在线平台的重要组成部分,因此准确预测选择是其成功的关键。本文提出了一种学习框架,用于预测选择,具有准确性、多功能性、理论基础和良好的可扩展性。我们的建模要点是为了解释人类的选择,预测模型必须捕捉特定的集合相关的不变性,并且基于最近经济学研究成果,我们推导出一类可以表达任何行为选择模式的模型,具有良好的样本复杂性保证,并且可以高效地进行端到端训练。在三个大型选择数据集上的实验证明了我们方法的实用性。
Jun, 2019
本文介绍了一种名为 Neural Choice by Elimination 的新框架,将深度神经网络集成到概率顺序选择模型中,用于学习排名。该框架集成了最近引入的 Neural Highway Networks 以近似任意复杂的排名函数,证明了本方法在大规模公共数据集上具有与最先进的学习排序方法相竞争的性能。
Feb, 2016
提出了一种基于自注意力机制的上下文感知神经网络模型,用于学习商品的排序分数,在训练和推理阶段都考虑了列表中其他商品的交互作用,相较于多层感知机模型,取得了显著的性能提升,在排序学习基准 MSLR-WEB30K 上实现了新的最佳结果。
May, 2020
本研究提出了一种新型的自调节注意力网络来学习动态用户偏好,并在三个大规模真实数据集上实验表明,该模型可以实现最先进的顺序推荐性能。
Mar, 2022
本文提出了一种新颖且通用的注意力机制,可以学习不同数据模态之间的高阶相关性。 作者实验证明高阶相关性可以将适当的关注点引导到不同数据模态中的相关元素,来更好地解决联合任务,如视觉问答(VQA),在 VQA 标准数据集上实现了最先进的性能。
Nov, 2017