Jun, 2020

面向点击率预测的自动神经交互发现

PDF
TL;DR本文提出了一种基于自动交互架构发现的 CTR 预测框架 AutoCTR，使用神经架构搜索技术探索了不同数据集的 CTR 预测模型，取得了在不同数据集上的预测效果和泛化性能的成功。
click-through rateneural architecture searchctr predictionpersonalized recommendationautomated architecture discovery
发现论文，激发创造
  • 点击率预测中强大交互作用的自动发现通用方法

    本文提出一种自动构建强大特征交互的方法，称为 AutoPI，该方法采用了一个更通用的搜索空间，并提取了代表性的手工构建特征交互操作符。该方法在 CTR 预测、个性化广告、推荐系统等各种应用中展示了较高的泛化能力和效率。

    May, 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

  • AutoInt: 基于自注意力神经网络的自动特征交互学习

    本文提出了一种称为 AutoInt 的方法，通过多头自注意力神经网络和残差连接，自动学习输入特征的高阶特征交互，共同应用于 CTR 预测、在线广告和推荐系统，并展示了好的解释性和结果。

    Oct, 2018

  • 基于邻居交互的图遮盖变换器点击率预测

    提出一种使用基于邻域的交互方法的 Ctr 预测模型，该模型考虑了异构信息网络环境下的推荐系统，采用各种显式和隐式相互作用方式进一步指导本地邻域的表示学习，并在真实数据上表现出较大优势。

    Jan, 2022

  • 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

  • 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

  • Differentiable NAS 框架及其在广告 CTR 预测中的应用

    本研究提供一个可扩展且模块化的框架，用于 Differentiable Neural Architecture Search 的自动深度神经网络架构搜索，并应用于广告点击率预测领域，取得了该领域内最优结果。

    Oct, 2021

  • RAT：检索增强转换器用于点击率预测

    通过检索式转换器建立内部和跨样本特征交互，用于点击率预测，提高预测效果并保持高效性。

    Apr, 2024

  • 用户记忆网络预测点击率

    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

  • CTR 预测中深度神经网络的可视化与理解

    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