May, 2019

FAT-DeepFFM: 域注意力深度场感知因子分解机

PDF
TL;DR本文提出了一种新的神经点击率模型 FAT-DeepFFM，该模型通过将 DeepFFM 与 CENet 场注意力机制结合起来以突出特征重要性，并在真实世界数据集上的实验结果表明，FAT-DeepFFM 在 CTR 预测任务方面的性能最好，并获得不同于现有方法的改进。
ctr estimationdeep learningattention mechanismneural ctr modelfield attention mechanism
发现论文，激发创造
  • 基于因子分解机的神经网络用于 CTR 预测的 DeepFM

    本文提出了一个新的深度学习模型 DeepFM，既能够强调低阶特征交互，又能够强调高阶特征交互，接受的特征也不需要进行专业的工程处理。经过实验证明，DeepFM 比现有模型更有效和更高效用于 CTR 预测。

    Mar, 2017

  • DeepFM: 一种端到端的宽深学习框架，用于 CTR 预测

    本文提出了 DeepFM 模型，结合了因式分解机和深度学习的能力，通过神经网络架构强调低阶和高阶特征交互，实现了无需特征工程的广泛学习框架，并且实验验证了 DeepFM 在 CTR 预测的效果和实际部署中的效果优于以往的模型。

    Apr, 2018

  • 基于场权重因子分解机的展示广告点击率预测

    该论文提出了一种称为 Field-weighted Factorization Machines 的算法，以更加内存高效的方式建模不同领域之间的不同特征交互，实现点击率预测，并与其他算法进行了比较。

    Jun, 2018

  • TFNet: 多语义特征交互用于 CTR 预测

    本文提出了一种新颖的基于张量的特征交互网络模型（Tensor-based Feature interaction Network，TFNet），通过多个语义空间中的多个多维矩阵，引入操作张量来阐述特征交互，从而在 CTR 预测、推荐系统等方面实现了更好的表现。

    Jun, 2020

  • 利用注意力网络学习特征交互权重的注意力分解机

    本文提出了一种基于神经注意力网络的模型，命名为注意力分解机，该模型通过区分不同特征交互的重要性，通过学习数据来改进了因同等加权造成的效率下降的因素分解机，实验证明改进后的注意力分解机在回归任务中相对于因素分解机有 8.6% 的相对改善，而且在结构更简单、模型参数更少的情况下一致优于最先进的深度学习方法 Wide&Deep 和 DeepCross。

    Aug, 2017

  • $FM^2$: 推荐系统中的场 - 矩阵分解机

    该研究提出了一种新的方法，名为 Field-matrixed Factorization Machines（FmFM，或 FM^2），用于有效和高效地建模数据中的字段信息，在交叉项剪枝的基础上支持字段特定变量维度的嵌入向量，并通过缓存中间向量进一步优化模型，实验结果显示该方法可以优于 FFM 和 DNN 模型。

    Feb, 2021

  • 现实世界在线广告系统中的领域感知因子分解机

    介绍了一种预测显示广告中用户点击率和转化率的实时预测系统，该系统采用基于领域的分解机方法，得到了良好的预测效果。我们还讨论了模型训练中的一些挑战和解决方案。

    Jan, 2017

  • FiBiNET：结合特征重要性和双线性特征交互预测点击率

    本文提出了 FiBiNET 模型，通过 Squeeze-Excitation 网络机制学习特征重要性，通过双线性函数有效地学习特征交互，结果显示该模型在真实数据集上的性能优于其他浅层模型和深度模型。

    May, 2019

  • FLEN：利用字段进行可扩展 CTR 预测

    本文介绍了一种新型的 FLEN 模型和 Dropout 技术，用于解决应用推荐系统中的 CTR 预测问题，该模型可以在使用较少的模型参数和时间复杂度的情况下捕获字段内和字段间的特征组合，并在实际在线环境中得到了实验及测试的效果验证。

    Nov, 2019

  • xDeepFM: 结合显式和隐式特征交互的推荐系统

    本篇论文提出了一种名为 eXtreme Deep Factorization Machine （xDeepFM） 的模型，它通过 Compressed Interaction Network （CIN） 生成 feature interactions，并且可以显式地和隐式地学习 variable order feature interactions，实验结果表明其优于现有的模型。

    Mar, 2018