SIGIRJun, 2021

深度位置交互网络用于 CTR 预测

PDF
TL;DR本文提出了一种深度位置交互网络 DPIN，以有效组合所有候选项和位置来估算每个位置的 CTR，实现离线和在线的一致性，并在服务性能的限制下对位置、用户、上下文和项目之间的深度非线性交互进行建模。同时，我们提出了一种评估指标 PAUC (position-wise AUC)，以解决 CTR 预测中的位置偏差问题，并在真实数据集上进行了广泛的实验，证明了方法的有效性和效率。在 A/B 测试中，我们的方法已在生产中部署，并观察到与高度优化的基准相比有显著的改进。
click-through ratectr modelsposition biasdeep position-wise interaction networkpauc
发现论文，激发创造
  • 知识蒸馏下的位置偏差建模思考与 CTR 预测

    提出一种基于知识蒸馏的简单而高效的方法，以缓解位置偏差的影响，利用位置信息来提高 CTR 预测性能。在真实世界的生产数据集和在线 A/B 测试中，该方法取得了显著的性能改善，并已在全球最大电商平台的主要流量服务中部署。

    Apr, 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

  • 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

  • 电子商务中赞助搜索的位置偏差缓解的点击 - 转化多任务模型

    为了减轻点击率（CTR）和转化率（CVR）预测中的位置偏见，我们提出了两种不受位置偏见影响的 CTR 和 CVR 预测模型：位置感知点击转化（PACC）和通过位置嵌入的 PACC 模型（PACC-PE）。实验结果表明，我们的模型在评级有效性上表现更好，可以极大地减轻 CTR 和 CVR 预测中的位置偏见。

    Jul, 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

  • 深度时空神经网络用于点击率预测

    本文通过研究广告与其他广告之间的关系提高广告点击率（CTR）的预测，分别从空间和时间两个维度考虑辅助广告，提出了一种基于深度时空神经网络（DSTNs）的方法，结合离线和在线实验证明了该方法的有效性和性能优越性。

    Jun, 2019

  • 点击率预测中强大交互作用的自动发现通用方法

    本文提出一种自动构建强大特征交互的方法，称为 AutoPI，该方法采用了一个更通用的搜索空间，并提取了代表性的手工构建特征交互操作符。该方法在 CTR 预测、个性化广告、推荐系统等各种应用中展示了较高的泛化能力和效率。

    May, 2021

  • 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

  • DADIN: 面向跨领域推荐系统的域对抗深度兴趣网络

    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