Jun, 2024

通知系统中的时间交互模型 (TIM)

PDF
TL;DR通过建立 “时间交互模型”（TIM），该研究提出了一种旨在改善移动应用用户参与度的综合通知时间控制策略。研究重点关注用户行为模式，通过估计每个时间段内点击率等用户历史交互特征，而不仅仅依赖上下文特征。通过离线实验和在线 A/B 测试，结果表明 TIM 是一种可靠的用户行为预测工具，能够显著提升用户参与度而避免不必要的干扰。
mobile applicationsnotification systemusers' behavior patternstemporal interaction modeluser engagement
发现论文，激发创造
  • 时序兴趣网络用于点击率预测

    通过分析和评估用户行为与目标之间的四重语义和时间相关性，本文提出了一种名为 Temporal Interest Network (TIN) 的模型，并证明它能有效地学习这种四重相关性，从而显著提高了性能。

    Aug, 2023

  • 学习用户偏好的异质时间模式以实现及时推荐

    提出了一种新型的推荐系统，TimelyRec，通过考虑用户偏好的不同的时间模式和其他特征（即周期性与演化）来联合学习用户偏好的异质性时间模式并利用一种注意力模块，进而提供及时的推荐，实验结果表明该方法在实现及时推荐时表现出色。

    Apr, 2021

  • TIM：面向脉冲变压器的高效时间交互模块

    介绍了一种名为 Temporal Interaction Module (TIM) 的卷积增强方法，它能无缝高效地整合到现有的 Spiking Neural Networks 架构中，显著提升其处理时间信息的能力，并在各种神经形态数据集上展现出最新的性能。

    Jan, 2024

  • 在线展示广告的基于时间感知的用户前瞻性建模

    通过跟踪用户活动和设计强大的模型来获取转化意向的隐含信号，从而提高预测概率的可靠性和精度，并增加对信号影响的可解释性。

    Nov, 2019

  • 长序列用户行为对于点击率预测的建模实践

    本研究通过机器学习算法与在线服务系统的共同设计，提出了处理长序列用户行为数据的解决方案，能够有效地处理超过千级的长序列用户行为数据，提升了模型性能和系统效率。

    May, 2019

  • 基于生存分析的移动通知状态转换模型

    本文旨在探索移动通知与用户参与之间的互动特性，并提出状态转换框架及生存模型来量化其有效性，并在通知传递时间优化方面进行在线应用实例，以实现更好的决策、推动更多的用户参与和提供更多的价值。

    Jul, 2022

  • TBIN：用于 CTR 预测的长文本行为建模

    我们提出了一种基于用户行为文本的兴趣分块网络（TBIN），通过结合高效的局部敏感哈希算法和偏移块自注意力机制来处理先前研究中的限制，从而实现动态激活用户多样化的兴趣，并产生针对目标项目的用户兴趣表达。通过对真实世界食品推荐平台上的离线和在线实验的结果，证明了 TBIN 的有效性。

    Aug, 2023

  • TIM: 音视频动作识别的时间间隔机器

    在长视频中，多样的行为产生丰富的视听信号。我们通过显式地建模音频和视觉事件的时间范围，解决了长视频中这两种模态之间的相互作用。我们提出了一种时间间隔机器（TIM），其中以特定模态的时间间隔作为查询，将长视频输入馈入转换器编码器。然后，编码器会关注指定的时间间隔以及两种模态中的周围上下文，以识别正在进行的动作。我们在三个长音视频数据集上测试了 TIM，并在识别方面报告了最先进的结果。此外，我们展示了 TIM 可以适用于动作检测，并在大多数指标上超越了先前的最先进技术。我们的实验结果表明，在实现这种性能中，整合两种模态并对它们的时间间隔建模起着关键作用。

    Apr, 2024

  • 采样即可：长期用户行为建模用于 CTR 预测

    本文提出了一种采用多哈希函数进行采样的端到端模型 SDIM，来模拟用户的长期行为数据，并且通过设计一种名为 BSE 的模块，与 SDIM 相结合来加速 CTR 模型，通过离线和在线实验验证了 SDIM 的有效性。

    May, 2022

  • 基于搜索的生命周期顺序行为数据进行用户兴趣建模与点击率预测

    本文提出了一种名为 “基于搜索的兴趣模型” 的新的建模范式，利用两个级联搜索单元在可扩展性和准确性方面，更好地对终生序列行为数据进行建模，并通过在大规模工业系统中的实现取得了良好的效果。

    Jun, 2020