跨域点击率预测的双重注意力序列学习
本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型,该模型在电影、图书和音乐三个领域的数据集上经过充分测试,表现优于其他传统模型。
Oct, 2019
我们的研究提出了一种两步领域感知的交叉关注方法,能够从源领域的不同粒度中提取可迁移的特征,有效表达领域和用户兴趣,简化了训练流程,适合于新领域的快速部署,并通过实验证明了方法的有效性,还在在线广告系统中部署了模型,观察到了单击率和有效千次展示费用的显著改善。
Jan, 2024
我们提出了一种混合注意力网络(MAN),其中包括局部和全局注意力模块,用于提取领域特定和跨领域信息。实验结果表明,我们的模型在两个真实数据集上具有优越性,同时进一步研究也证明了我们提出的方法和组件分别是模型无关和有效的。
Nov, 2023
提出了一种基于生成对抗网络(GANs)、变分自动编码器(VAEs)和 Cycle-Consistency(CC)相结合的 D2D-TM 模型,用于解决多领域推荐系统在提取同构和散发特征方面遇到的问题,并证明其在性能优化方面超过了现有技术。
Dec, 2018
提出了一种新颖的深度学习跨域 CTR 预测模型 ——“Domain Adversarial Deep Interest Network (DADIN)”,通过引入流派不可知层和特别设计的损失函数,联合两个域的分布对齐,通过对抗训练的方式同时对 CTR 预测损失进行优化,从而将跨域推荐任务转化为领域自适应问题,实验表明这个模型在两个真实数据集上表现最优,其平均可比之下排名第一, Huawei 数据集上 AUC 比最强基线高 0.08%,Amazon 数据集上比竞争对手高 0.71%,削减研究表明 DADIN 引入对抗性方法可分别在华为数据集和 Amazon 数据集上提高 AUC 2.34%和 16.67%。
May, 2023
该研究提出了一种基于协作跨域迁移学习框架(CCTL)的解决方案,可用于推荐系统中不同商业域中的广告点击率(CTR)预测建模,并成功应用于美团,提高了 CTR 和 GMV 的表现。
Jun, 2023
提出一种面向冷启动用户的内容为基础的跨领域推荐方法,利用极端多类分类的形式来预测用户对物品的评分标签,构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络,实现了不依赖用户和物品重叠特征,不同领域之间的推荐, 在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。
Mar, 2018
该研究提出了一种名为 COAST 的新型跨领域推荐框架,通过感知实体之间的跨领域相似性和用户兴趣的对齐来提高双重领域的推荐性能,并使用用户表示和图卷积网络的消息传递机制来捕获用户和项目的高阶相似性,对跨领域推荐算法进行了广泛的实验,并证明 COAST 在多项任务中一致且显著优于同类算法。
Jan, 2023
这篇论文提出了一种名为动态序列图学习(DSGL)的新方法,通过利用用户或物品相关的本地子图的协同信息来增强用户或物品的表示,以预测点击率。DSGL 使用底部向上的方法在动态顺序图中进行图卷积操作,设计了一个考虑时间信息和时间依赖性的时态序列编码层,并提出了一个目标 - 偏好双重注意层,以搜索与目标相关的行为部分并减轻来自不可靠邻居的噪声。实验结果表明,DSGL 方法可以提高 CTR 预测的准确性。
Sep, 2021
跨领域顺序推荐 (CDSR) 旨在挖掘和转移用户在不同领域的顺序偏好以减轻长期存在的冷启动问题。传统的 CDSR 模型通过用户和物品建模来捕捉协作信息,而忽视了有价值的语义信息。最近,大型语言模型 (LLM) 展现出强大的语义推理能力,激发了我们将其引入以更好地捕捉语义信息。然而,由于无缝信息集成和领域特定生成两个关键问题,将 LLM 引入到 CDSR 中并非易事。为此,我们提出了一种名为 URLLM 的新型框架,旨在通过同时探索用户检索方法和 LLM 上的领域基础来改善 CDSR 性能。具体而言,我们首先提出了一种新颖的双图顺序模型来捕捉多样的信息,在此基础上采用了一种对齐和对比学习方法来促进领域知识传输。随后,我们采用了一种用户检索 - 生成模型来将结构信息无缝集成到 LLM 中,充分利用其涌现的推理能力。此外,我们提出了一种领域特定的策略和一个改进模块,以防止领域外生成。在亚马逊上进行的广泛实验证明了 URLLM 与最先进基线系统相比在信息集成和领域特定生成能力方面的优势。我们的代码可在此 https URL 找到。
Jun, 2024