对抗式多模态表征学习用于点击率预测
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
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
本文提出了一种利用多重关系的点击率(CTR)预测框架(MTBRN)来增强 CTR 预测的方法,并采用各种图形结构(如知识图和商品相似度图)构建多个关系路径。采用 Bi-LSTM 编码每个路径以及路径融合网络和路径激活网络进行适当的聚合和训练以进行 CTR 预测,通过离线和在线的实验进一步表明了 MTBRN 框架的有效性。
Aug, 2020
本文提出了一种基于自监督学习的 Click-Through Rate (CTR) 预测框架 (CL4CTR),采用三种自监督学习信号作为特征表征学习的正则化项以提高 CTR 预测性能,并在四个数据集上实验证明其与各种代表性基线相比具有卓越的性能和兼容性。
Dec, 2022
本文提出了一种基于多模态 Transformer 的 ContentCTR 模型,采用帧级别的 CTR 预测来充分利用视觉帧、音频和评论等多模态信息,借助具有一阶差分约束的新型成对损失函数来利用亮点和非亮点间的对比信息,以及基于动态时间规整的时间文本 - 视频对齐模块以捕捉实时内容变化,实验表明该方法在真实场景和公共数据集上进行推荐时均优于传统方法,应用于公司平台后的在线 A/B 测试也进一步验证了其实际意义。
Jun, 2023
本文提出了一种用于跨多个模态学习的训练有效方法 C-MCR,无需成对训练数据,通过在重叠的模态 B 上对现有的 MCR 进行连接和对齐,实现了跨模态匹配,进一步引入语义增强技术以提高准确性。将该方法应用于视听对比性学习,不仅无需使用成对数据,还可以在多个数据集上获得最先进的性能表现。
May, 2023
提出了一种基于 Multi-Interest Self-Supervised learning 的 CTR 预测框架,使用 CNN-based multi-interest extractors 提取不同兴趣表示中的自监督信号,并应用对比学习损失来提高特征表示学习。实验证明,该框架可以有效应用于现有 CTR 预测模型中并显著提高性能。
Nov, 2021
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