本文综述了 CTR 估算任务中使用的深度学习模型,包括从浅层到深度 CTR 模型的转换,深度 CTR 模型的显式特征交互学习模块,用户行为模型,以及深度 CTR 架构设计的自动化方法。
Apr, 2021
本文介绍了一种名为 DeepLight 的框架,用于加速 CTR 预测,该框架通过显式地搜索浅层组件中的信息交互、裁剪深度神经网络(DNN)组件中的冗余层和参数以及提高嵌入层稀疏性的方式,成功地将模型推断速度提高了 46 倍,在不降低预测准确性的情况下,有望在广告投放生产中成功部署复杂的基于嵌入的神经网络。
Feb, 2020
本文采用深度学习技术实现 Click-through rate(CTR)预测,并采用神经元级别检查模型内部状态,实施逐层性能测量探针方法,以及基于反向传播梯度的显著性分数计算来计算特征的影响。该模型可用于理解,监视,诊断和改进模型和算法的多个实际应用。
Jun, 2018
本文通过研究广告与其他广告之间的关系提高广告点击率(CTR)的预测,分别从空间和时间两个维度考虑辅助广告,提出了一种基于深度时空神经网络(DSTNs)的方法,结合离线和在线实验证明了该方法的有效性和性能优越性。
Jun, 2019
本文旨在使用经济学中的离散选择模型对点击率 (CTR) 预测问题进行重新定义,并提出了一种使用自注意力机制构建的通用神经网络框架,该框架与现有的大多数 CTR 预测模型相一致,同时还考虑了模型的表达能力和复杂性,最后通过一些公共数据集上的实验结果证明了我们提出的见解。
May, 2021
本研究提出 Deep Multi-Representation (DeepMR) 模型,通过联合训练 DNN 和多头自注意力这两种功能强大的特征表示学习组件,以及使用零初始化的残差连接(ReZero)来提高输入表示的性能,在三个真实数据集上的 CTR 预测任务中超越了所有现有的最先进模型。
Oct, 2022
提出了一种实用的 CTR 预测模型 —— 记忆增强型 DNN,该模型通过创建两个外部记忆向量来记住每个用户的历史行为信息,并取得了在离线和在线实验中都表现出良好的绩效。
Jul, 2019
DeepMCP 模型基于匹配、关联和预测三个子网络,可以更准确地预测在线广告系统中的 CTR,并在两个大型数据集上优于现有的人工智能模型。
本研究提出两种使用深度卷积神经网络预测查询 - 广告对点击率的方法,一个针对字符级别处理,另一个针对单词级别处理。通过使用数十亿个查询 - 广告对的实验,证明这两种方法都显著优于基线模型和最先进的基于 word2vec 方法的模型。此外,将这种深度模型的预测与商业搜索引擎中现有的预测相结合,可以显著提高生产系统的点击率预测的准确性和校准度。
Jul, 2017
本篇论文着重探讨如何在存在延迟标签的情况下,从连续的数据流中使用最佳的损失函数和模型进行大规模的学习。通过离线和在线实验的结果,论文得出了一种新的解决方案,可以优化 CTR,并提高广告主的性能。