增强 CTR 预测的双图嵌入神经网络
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
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
本文通过引入因果关系,基于图神经网络框架提出一种面向在线广告的点击率预测模型(Causal-GNN),采用结构化特征表达学习方法(GraphFwFM)和 GraphSAGE 分别学习特征、用户和广告的图表示,并在三个公共数据集上的实验证明了本模型在 AUC 和 Logloss 上的优越性以及 GraphFwFM 在因果关系特征图上捕捉高阶特征表示的有效性。
Jan, 2023
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
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
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。
Mar, 2021
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
本文提出了基于图神经网络和元学习的 GME 模型,它可以快速学习如何为新广告 ID 生成理想的初始嵌入,并在真实数据集上展示了在冷启动和热身场景下 GME 大大改善了预测性能。
May, 2021
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
本文提出了一种基于图的跨页面广告嵌入生成方法(GACE),通过多页历史广告数据的联合使用和新广告的冷启动来改善在线广告推荐系统,采用变分自编码器预训练模块生成新旧广告的嵌入表示,在公共数据集 AliEC 和阿里巴巴支付宝的真实行业数据集上进行评估,结果显示 GACE 方法明显优于现有方法,在线 A/B 测试中,支付宝三个真实页面的点击率分别增加了 3.6%、2.13%、3.02%,尤其在冷启动任务中,点击率分别增加了 9.96%、7.51%、8.97%。
Jan, 2024