WSDMDec, 2020

多交互注意力网络用于 CTR 预测中细粒度特征学习

PDF
TL;DR通过提出一种 Multi-Interactive Attention Network (MIAN) 方法，结合多种精细特征以及性别、年龄、职业等用户个人信息，从多个方面综合提取用户偏好，同时设计全局交互模块 (GIM) 学习高阶交互和平衡多个特征的影响，能够有效地预测用户点击率 (CTR)。
ctr predictionuser behaviorsequential methodsmulti-interactive attention networkrecommendation system
发现论文，激发创造
  • 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

  • 基于混合卷积神经网络和类别先验的用户图像行为建模注意力机制

    本文介绍了如何通过混合 CNN 技术和类别先验信息，在 CTR 预测中提高广告点击率，取得了显著的后验实验结果和在线实验结果。

    May, 2022

  • 深度上下文兴趣网络用于点击率预测

    通过模型命名为深度上下文兴趣网络 (DCIN)，本文突出了上下文信息对用户行为建模的重要性，并提出了一种可完整建模点击及其显示上下文以了解用户上下文感知兴趣的新模型。通过离线和在线评估，显著改善了性能，证明了所提出的 DCIN 方法的优越性。特别值得注意的是，已在我们的在线广告系统上部署了 DCIN，为主要流量带来了 1.5% 的 CTR 和 1.5% 的 RPM 提升。

    Aug, 2023

  • MTBRN: 基于多路复用目标 - 行为关系增强网络的点击率预测

    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

  • MiNet: 跨领域点击率预测的混合兴趣网络

    本文探讨了在线广告系统中面对的 CTR 预测问题，利用源域辅助数据来提高目标域的 CTR 预测性能，提出了 MiNet（Mixed Interest Network）网络，它可以联合建模三种类型的用户兴趣，包括长期跨域兴趣、来自源域的短期兴趣和目标域的短期兴趣，其中两种层级的注意力可以自适应地决定如何从新闻和广告中提取有用信息。离线实验表明 MiNet 优于几种现有的 CTR 预测方法，A/B 测试的结果也表明 MiNet 可以实际部署并有效提高 UC Toutiao 中的在线 CTR。

    Aug, 2020

  • 点击率预测的决策环境交互网络

    提出一种识别决策上下文交互网络，它可以显著地提高在线广告系统中的用户点击率预测。

    Jan, 2023

  • 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

  • 长序列用户行为对于点击率预测的建模实践

    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。

    May, 2019

  • 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