SIGIRJun, 2020

TFNet: 多语义特征交互用于 CTR 预测

PDF
TL;DR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。
ctr predictioncomputational advertisingrecommender systemstensor-based feature interaction networkdeep learning
发现论文，激发创造
  • Fi-GNN: 基于图神经网络建模特征交互以用于 CTR 预测

    本文提出了一种新的模型叫做 Feature Interaction Graph Neural Networks (Fi-GNN)，可以用于解决 Web 应用中在线广告和推荐系统等任务的 click-through rate（CTR）预测问题。该模型利用图的强大特征表示能力，可以灵活、明确地建模复杂的特征交互，同时还能提供很好的模型解释性，并在真实数据集上得到了优于现有技术的实验结果。

    Oct, 2019

  • 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

  • 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

  • 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

  • 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

  • FAT-DeepFFM: 域注意力深度场感知因子分解机

    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。

    May, 2019

  • 记忆、分解还是幼稚：CTR 预测最佳特征交互方法的学习

    研究了通过建模特征交互来提高 CTR 预测模型性能的方法，并提出了一种通用框架 OptInter，能够自动搜索最佳建模方法以及对 CTR 模型进行优化，实验显示，OptInter 可以将最佳基准 Deep CTR 模型的性能提高多达 2.21％，并对内存占用减少高达 91％。

    Aug, 2021

  • DeepLight: 基于轻量级深度学习特征交互技术的广告 CTR 加速预测

    本文介绍了一种名为 DeepLight 的框架，用于加速 CTR 预测，该框架通过显式地搜索浅层组件中的信息交互、裁剪深度神经网络（DNN）组件中的冗余层和参数以及提高嵌入层稀疏性的方式，成功地将模型推断速度提高了 46 倍，在不降低预测准确性的情况下，有望在广告投放生产中成功部署复杂的基于嵌入的神经网络。

    Feb, 2020

  • GateNet: 增强门控深度网络用于点击率预测

    GateNet 模型提出了基于门控机制的神经网络 CTR 模型，引入特征嵌入门或隐藏门来提升模型性能，该模型在真实数据集上得到了有效验证。

    Jul, 2020

  • 基于多阶特征交叉重要性的点击率预测方法

    本文提出了一个新模型 FiiNet (多级特征交互重要性神经网络)，该模型首先使用选择性卷积神经网络 (SKNet) 来明确构建多级特征交互，以精细的方式动态学习特征交互组合的重要性，增加重要特征交叉组合的注意权重并减少无效的交叉，通过与许多点击率预测模型在两个真实数据集上的对比，证明了 FiiNet 模型可以动态学习特征交互组合的重要性，从而提高推荐效果并提供更好的解释性。FiiNet 模型实现可在 PyTorch 中获取。

    May, 2024