KDDMay, 2019

长序列用户行为对于点击率预测的建模实践

PDF
TL;DR本研究通过机器学习算法与在线服务系统的共同设计，提出了处理长序列用户行为数据的解决方案，能够有效地处理超过千级的长序列用户行为数据，提升了模型性能和系统效率。
click-through ratectr predictiondeep learninguser behavior modelingonline serving system
发现论文，激发创造
  • 点击率预测的用户行为检索

    本论文提出了一种基于数据检索的用户行为检索框架（UBR4CTR），通过可学习的搜索方法从整个用户历史序列中检索出最相关和最适当的用户行为，然后将这些检索到的行为馈入深度模型进行最终预测，该框架能够在低成本下被高度可行地部署到工业模型流水线中，三个实际大规模数据集上的实验证明了该框架的优越性和功效。

    May, 2020

  • 点击率预测模型中的用户行为端到端检索

    该研究提出了一种叫做 ETA 的局部敏感哈希方法，可以大大降低训练和推理成本，并使得可以使用长期用户行为序列进行端到端训练，以实现更好的点击率预测表现。

    Aug, 2021

  • 基于图形的长短期兴趣模型用于点击率预测

    本文提出一种名为 GLSM 的基于图形的长短期兴趣模型，它包含用于捕捉长期用户行为的多兴趣图形结构，用于建模短期信息的多场景异构序列模型以及自适应融合机制来融合长期和短期行为的信息，并在实际应用中展示出了显著的 CTR 和 GMV 提升。

    Jun, 2023

  • 基于搜索的生命周期顺序行为数据进行用户兴趣建模与点击率预测

    本文提出了一种名为 “基于搜索的兴趣模型” 的新的建模范式，利用两个级联搜索单元在可扩展性和准确性方面，更好地对终生序列行为数据进行建模，并通过在大规模工业系统中的实现取得了良好的效果。

    Jun, 2020

  • 深度会话兴趣网络用于点击率预测

    论文提出了一种名为 Deep Session Interest Network (DSIN) 的模型，它利用了用户历史行为序列中的多个会话，并将自我注意机制与双向 LSTM 相结合，以建模用户的兴趣演化，并通过局部激活单元自适应地学习各种会话对目标项目的影响，从而在在线广告和推荐系统等工业应用中提高了点击率（CTR）预测的准确性。

    May, 2019

  • 采样即可：长期用户行为建模用于 CTR 预测

    本文提出了一种采用多哈希函数进行采样的端到端模型 SDIM，来模拟用户的长期行为数据，并且通过设计一种名为 BSE 的模块，与 SDIM 相结合来加速 CTR 模型，通过离线和在线实验验证了 SDIM 的有效性。

    May, 2022

  • TBIN：用于 CTR 预测的长文本行为建模

    我们提出了一种基于用户行为文本的兴趣分块网络（TBIN），通过结合高效的局部敏感哈希算法和偏移块自注意力机制来处理先前研究中的限制，从而实现动态激活用户多样化的兴趣，并产生针对目标项目的用户兴趣表达。通过对真实世界食品推荐平台上的离线和在线实验的结果，证明了 TBIN 的有效性。

    Aug, 2023

  • 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

  • 再看 CTR 预测：关注全部需求吗？

    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

  • 使用多模超图进行点击率预测

    使用 Hypergraph Click-Through Rate prediction framework 模型，利用多模态交互的用户和物品信息和生成的基于兴趣的用户超图和物品超图，通过时间感知的用户 - 物品二分网络来预测用户对微视频点击率，该模型表现显著优于其他现有的模型。

    Sep, 2021