데이터베이스 연구회지(SIGDB)
Current Result Document :
| 한글제목(Korean Title) |
분산 환경에서 클릭률 예측을 위한 개념 변화 적응 |
| 영문제목(English Title) |
Concept Drift Adaptation for Click-Through Rate Prediction in a Distributed Environment |
| 저자(Author) |
최성준
문철한
민준기
Seongjun Choe
Cheolhan Moon
Junki Min
이종학
김상호
이기훈
JongHak Lee
Sang-ho Kim
Ki-Hoon Lee
|
| 원문수록처(Citation) |
VOL 39 NO. 02 PP. 0017 ~ 0030 (2023. 08) |
한글내용
(Korean Abstract) |
온라인 광고 시스템에서 수익을 극대화하기 위해서는 클릭률(click-through rate)을 잘 예측하는 것이 중요
하다. 클릭률은 사용자에게 노출된 광고를 사용자가 클릭할 확률이다. 최근 특징 간의 저차 및 고차 상호작용
을 모두 학습하기 위한 클릭률 예측 모델들(DeepFM 등)이 제안되었지만, 실시간으로 생성되는 클릭 데이터
의 개념 변화(concept drift)를 고려하지 않아 모델의 예측 성능이 저하될 수 있다. 개념 변화는 시간에 따라
데이터의 통계적인 특성이 변하는 현상이다. 본 논문에서는 분산 환경에서 개념 변화에 적응할 수 있는 클릭률
예측 방법을 제안한다. 제안한 방법은 DeepFM 모델에 온라인 머신러닝(online machine learning)을 적용한
다. 그리고 전문가 혼합모델(mixture of experts)를 사용해 온라인 머신러닝을 적용한 DeepFM 모델들을 앙
상블한다. 전문가 혼합모델의 처리율(throughput)을 향상시키기 위해 분산 처리를 적용한다. Criteo 데이터
셋을 이용해 실험한 결과, 제안한 방법이 DeepFM 모델보다 평균 AUC가 4.6% 더 높았다. 그리고 4대의 워커
노드(worker node)로 분산 처리함으로써 처리율을 381% 향상시켰다. |
영문내용
(English Abstract) |
In an online advertising system, click-through rate (CTR) prediction is crucial for maximizing
revenue. The CTR represents the probability of a user clicking on a displayed advertisement.
Recently, CTR prediction models, such as DeepFM, have been proposed to learn both low- and
high-order feature interactions. However, these models may suffer from performance degradation
as they do not consider the concept drift of the click data generated in real-time. Concept drift is
a phenomenon where the statistical properties of data change over time. In this paper, we propose
a CTR prediction method that can adapt to the concept drift in a distributed environment. The
proposed method applies online machine learning to the DeepFM model and employs a mixture
of experts for the ensemble of the DeepFM models applied online machine learning. We performed
distributed processing to improve throughput of the mixture of experts. The experimental results
using the Criteo dataset show that the proposed method accomplishes 4.6% higher average AUC
compared with the DeepFM model. Furthermore, by distributing the processing across four worker
nodes, we improved throughput by 381% compared with processing on a single worker node. |
| 키워드(Keyword) |
병렬 처리
그래픽 처리 유닛
삭제 코드
코시 리드-솔로몬 코드
Parallel processing
Graphic processing unit
Eras
클릭률 예측
개념 변화
온라인 머신러닝
전문가 혼합모델
분산 처리
click-through rate prediction
concept drift
online machine learning
mixture of experts
distributed environment
|
| 파일첨부 |
PDF 다운로드
|
