解决神经网络在 CTR 预测中的连续训练中的延迟反馈问题
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
本文介绍了一种新的深度神经网络模型,该模型可从图像像素和其他基本特征中一步预测图像广告的点击率,并且使用卷积层自动提取代表性的视觉特征,再通过全连接层学习非线性 CTR 特征,实证评估表明该方法是有效和高效的。
Sep, 2016
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
本文提出了一种新的自适应专家混合(AdaMoE)框架,通过对 CTR 预测数据流中的统计加权策略来缓解概念漂移问题,并通过基准和实际工业数据集的大量离线实验以及在线 A / B 测试表明,AdaMoE 明显胜过所有考虑的增量学习框架。
Apr, 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
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
本文提出了一种名为 “置信度排名” 的新型框架,使用两个不同的模型以排名函数的形式设计优化目标,允许针对不同凸代理函数的评估指标进行直接优化,例如 AUC 和 Accuracy。实验结果表明,引入置信度排名损失后,可以在公共和工业数据集的 CTR 预测任务上胜过所有基线,该框架已在 JD.com 的广告系统中部署以提高精细排名阶段的主要流量表现。
Jun, 2023
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