AAAIMay, 2018

基于多层深度级联树的推荐系统转化率预测

PDF
TL;DR本文提出了一种基于深层级深度级联树的集成学习方法，即 Ensemble ldcTree。通过这种方法，推荐系统可以更有效地学习特征表示。通过在线离线实验表明，该方法可以提高推荐系统性能。
recommendation methodse-commerce platformsdeep cascade treesgradient boosting decision treesensemble learning
发现论文，激发创造
  • 深度多表示模型用于点击率预测

    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

  • 基于后点击行为分解的整体空间多任务建模用于转化率预测

    提出了通过加入一些行为决策点来缓解 Data Sparsity 和 Sample Selection Bias 问题的新的深度推荐模型 ESM²，将多个子任务的概率以及它们在用户行为路径上的条件概率结合起来，通过大量的线下和线上实验验证，实现了比同类现有模型更好的推荐效果。

    Oct, 2019

  • 深度学习用于点击率估计

    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

  • 始终强化优势：基于漂移感知的增量学习框架用于 CTR 预测

    本文提出了一种基于集成学习的漂移感知增量学习框架，通过明确基于错误的流数据漂移检测，进一步加强适应良好的集合，并冻结不匹配的集合，避免了灾难性干预，从而解决了 CTR 预测中的灾难性遗忘问题。离线实验和 A/B 测试结果表明，该方法优于所有基线方法。

    Apr, 2023

  • 基于表示学习的点击率预测

    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。

    Jun, 2019

  • 大规模 CTR 预测的增量学习框架

    本研究提出了一种增量学习框架，用于 Click-Through-Rate (CTR) 预测，并展示了其在 Taboola 庞大规模推荐服务中的有效性。通过从以前部署的模型进行暖启动和仅在 “新鲜” 的数据上微调，我们的方法可以快速捕捉新兴趋势，并通过教师 - 学生范式来保留过去的知识。我们的增量学习框架可以实现显着更快的训练和部署周期（12 倍加速）。我们在多个流量段上证明了一致的 Revenue Per Mille (RPM) 增长和新引入项目的 CTR 显著增加。

    Sep, 2022

  • 通过多任务学习分层建模微观和宏观行为以预测转化率

    提出了一种利用用户行为生成网络图，结合宏观和微观行为的 Hierarchically Modeling both Micro and Macro behaviors ($HM^3$) 方法，预测电子商务平台中 Conversion Rate (CVR)。通过多任务学习和利用丰富的监督标签，$HM^3$ 能够端对端地进行培训并解决样本选择偏差和数据稀疏性问题。

    Apr, 2021

  • DELTA: 推荐系统中的直接嵌入增强和截断意识注意力利用

    提出 DELTA 算法用于提高 CTR 预测准确率，通过意识截断模块和直接嵌入增强模块实现对关键特征交叉的强化，实验证明其在 CTR 任务中表现优异。

    May, 2023

  • 通过大规模因果方法和多任务学习进行降低偏差的后点击转化率估计

    本文介绍了针对电子商务推荐系统中转化率估计的两种高效的估计方法，基于多任务学习框架解决了选择偏差、数据稀疏等问题，并通过实验表明其优于现有的 CVR 模型。

    Oct, 2019

  • 深度兴趣进化网络用于点击率预测

    本文提出了一种名为深度兴趣演化网络（DIEN）的新模型，用于 CTR 预测，该模型通过设计兴趣提取器层和兴趣演变层，从用户历史行为序列中捕捉时间性兴趣，并在实验中取得了显著的性能提高。

    Sep, 2018