Dec, 2020

CTR 预测中数值特征的嵌入式学习框架

PDF
TL;DR本文提出了一种新颖的嵌入学习框架，用于 CTR 预测中的数值特征（AutoDis），其核心组件包括元嵌入，自动离散化和聚合，综合实验证明，AutoDis 可以提高 CTR 和 eCPM，代码公开可用于 MindSpore。
click-through ratectr predictionembedding learningnumerical featuresrecommender system
发现论文，激发创造
  • CL4CTR: 用于 CTR 预测的对比学习框架

    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

  • 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

  • FLEN：利用字段进行可扩展 CTR 预测

    本文介绍了一种新型的 FLEN 模型和 Dropout 技术，用于解决应用推荐系统中的 CTR 预测问题，该模型可以在使用较少的模型参数和时间复杂度的情况下捕获字段内和字段间的特征组合，并在实际在线环境中得到了实验及测试的效果验证。

    Nov, 2019

  • 面向点击率预测的自动神经交互发现

    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。

    Jun, 2020

  • 增强 CTR 预测的双图嵌入神经网络

    本文旨在提高 CTR 预测模型的性能。我们提出了一种名为 Dual Graph enhanced Embedding（DG-ENN）的神经网络模型，它包括两个策略来解决现有模型在稀疏特征或行为情况下性能降低的问题，并已在实际工业数据集上得到验证。

    Jun, 2021

  • DELTA: 推荐系统中的直接嵌入增强和截断意识注意力利用

    提出 DELTA 算法用于提高 CTR 预测准确率，通过意识截断模块和直接嵌入增强模块实现对关键特征交叉的强化，实验证明其在 CTR 任务中表现优异。

    May, 2023

  • 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

  • 基于表示学习的点击率预测

    DeepMCP 模型基于匹配、关联和预测三个子网络，可以更准确地预测在线广告系统中的 CTR，并在两个大型数据集上优于现有的人工智能模型。

    Jun, 2019

  • 大规模 CTR 预测的增量学习框架

    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

  • 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