Mar, 2021

基于图意图网络的赞助搜索点击率预测

PDF
TL;DR提出了一种基于图形意图网络 (Graph Intention Network, GIN) 的策略，以解决用户意图和行为稀疏问题。 GIN 方法是首先引入图形学习，通过图扩散和附加商品的共现关系来丰富用户行为以解决行为稀疏问题，并缓解了弱泛化问题。该方法不仅在真实世界的电子商务平台数据上取得了良好的离线结果，而且在线实验中也取得了显著的 CTR 改进。
click-through rateuser intention miningsponsored searchgraph learningctr prediction
发现论文，激发创造
  • 轻量级端到端电子商务搜索 CTR 预测的图兴趣网络

    在电子商务搜索中，我们提出了一种名为轻量级端到端图兴趣网络（EGIN）的新方法，通过利用搜索系统中查询和项目的相关性和顺序信息构建异构图，以提高点击率（CTR）的预测。

    Jun, 2024

  • 基于三角图兴趣网络的点击率预测

    本文提出了一种基于三角形图的用户兴趣推荐框架 TGIN，通过提取邻近点击物品的三角形图模式来捕捉用户的真实动机，扩大了用户兴趣的探索机会，并借助多层兴趣聚合方法提高了 CTR 预测的准确性。

    Feb, 2022

  • 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

  • 基于知识图谱交互学习推荐意图

    该研究提出了一种名为 “KGIN” 的知识图谱意图网络模型，应用了关注机制的思想，能够更准确地表达用户与物品之间的相关性，实现了基于图神经网络的推荐系统并取得了显著的性能提升。

    Feb, 2021

  • 全生命周期用户行为的深度兴趣建模用于 CTR 预测

    通过深度分组兴趣网络及 Transformer 技术，研究从用户终身行为序列中提取用户兴趣，预测点击率，并验证了该方法的效果和效率。

    Nov, 2023

  • 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

  • 多交互注意力网络用于 CTR 预测中细粒度特征学习

    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)。

    Dec, 2020

  • 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

  • 用于触发型推荐中点击率预测的深度兴趣高亮网络

    本文提出一种新的推荐问题，即可以明确引起用户瞬时兴趣的触发项，并根据其推荐相关的库存项。通过在真实的电子商务平台上的离线和在线评估，本研究证明了 Deep Interest Highlight Network (DIHN) 在 Trigger-Induced Recommendation (TIR) 场景下胜过现有的方法。

    Feb, 2022