Nov, 2016

基于产品的神经网络用于用户响应预测

PDF
TL;DR本文提出了一种基于产品的神经网络模型（PNN），通过嵌入层来学习分类数据的分布式表示，通过乘积层来捕获领域之间的互动模式，并进一步完全连接的层来探索高阶特征交互，实验证明在两个大规模实际广告点击数据集上，PNN 模型在各种指标上都优于现有的基准模型。
user response predictionproduct-based neural networkshigh-dimensional sparse binary feature representationinter-field categoriesad click datasets
发现论文，激发创造
  • 基于多场分类数据的深度学习：以用户响应预测为例研究

    本文提出两种使用深度神经网络来预测用户响应的新模型，通过三种特征转换方法的借助，能够自动学习有效的分类特征交互模式，并对用户的广告点击进行预测。大规模的实验表明，我们的方法比现有主流模型更好。

    Jan, 2016

  • 面向操作的神经网络用于用户响应预测

    ONN 是一种新的神经模型，可以针对不同的操作学习不同的表示，用于用户响应预测，广告系统和推荐系统的高维稀疏特征中的特征交互，实验结果表明 ONT 可以优于现有模型。

    Apr, 2019

  • 预测购买意向：使用递归神经网络进行自动特征学习

    该研究提出了一种神经网络模型，用于准确预测电子商务中的购物意愿，并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题，同时，多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联，取得了 98％与先进技术相当、甚至超过先进技术的分类准确率，无需进行特定领域或数据集相关的特征工程。

    Jul, 2018

  • MRNet-Product2Vec: 一种用于产品嵌入的多任务循环神经网络

    本文提出一种名为 MRNet-Product2Vec 的方法，使用区别化的多任务双向循环神经网络，创建商品的通用嵌入，以提高电子商务生态系统中的客户体验和增加收入。经定量和定性评估，表明该方法的性能几乎与稀疏和极高维 TF-IDF 表示相当，降低了将商品表示为特征时的计算复杂度。

    Sep, 2017

  • 深度兴趣网络用于点击率预测

    本文提出了一种新型的模型：深度兴趣网络 （DIN），它设计了一个本地激活单元来自适应地学习用户兴趣的表示，从历史行为的角度与某个广告相关。与固定长度向量相比，这种表示向量具有更强的表达能力。在两个公共数据集以及一个阿里巴巴实际生产数据集的实验表明，该方法展现出优越的性能，未来可用于在阿里巴巴的在线展示广告系统中为主要的流量服务。

    Jun, 2017

  • 推荐系统的宽度与深度学习

    本文提出了 Wide & Deep learning 方法，通过联合训练宽线性模型和深度神经网络，结合了特征交互的记忆性和泛化性，用于推荐系统并在 Google Play 商店进行了实验验证，结果表明该方法显著提高了移动应用获取量。

    Jun, 2016

  • 基于深度交叉注意力积网络的用户响应预测

    本文提出了一种新的 DCAP 体系结构，通过多头注意机制和产品神经网络差异化重点交叉特征，并在三个现实世界数据集上进行全面实验，结果表明 DCAP 模型的预测性能优于现有模型。

    May, 2021

  • 通过用户关注和产品关注改进评论表示以进行情感分类

    本文提出了一种新的神经网络框架来编码用户和产品信息，并通过注意力机制将两种信息结合起来进行训练和预测，在 IMDB 和 Yelp 的数据集上显著优于其他最先进的方法。通过对用户或产品相关单词的注意力可视化，验证了对两种信息在情感分类中起着不同作用的观察结果。

    Jan, 2018

  • 用户点评的可解释替代神经表示学习的评分预测方法 - 透明潜在类别建模

    通过基于评论信息的统计和可视化友好工具，构建了透明的概率模型来组织用户和产品的潜在类别，同时在评级预测任务中使用这些可解释的量作为模型输入以实现可比较的预测表现。

    Jun, 2024

  • 关系数据的神经网络

    该研究针对深度神经网络在社交网络分析等结构化领域表现不佳的问题，提出了一种新方法，即基于关系随机游走的特征和参数共享的关系神经网络。实验证明，该方法在多个标准关系数据集上的表现优于多种神经网络和统计关系模型。

    Aug, 2019