Mar, 2022

建模电商搜索中用户的上下文化页面反馈，用以预测点击率

PDF
TL;DR该论文提出了一种新的上下文感知用户行为建模思路，通过包含完整页面上暴露的产品和相应的反馈作为上下文的页面级反馈序列，可以捕捉到页面内上下文信息和页面间兴趣演化，以学习更具体的用户偏好。作者设计了一种采用页面上下文感知注意力的新型神经排序模型 RACP，使用递归注意过程来建模页面间的兴趣收敛演化，实验在公开数据集和真实工业数据集上验证了该模型的有效性。
click-through rate predictionpersonalized searchbehavior modelingneural ranking modelcontext-aware
发现论文，激发创造
  • Déjà vu: 基于上下文的时间关注机制用于序列推荐

    该研究通过提出一种应对历史事件对用户当前行为影响具有时变性和受上下文影响的上下文化时间关注机制，动态校准不同时间段和上下文中历史行为对当前行为的影响，以提高推荐系统的性能。实证评估结果表明，在两个大型公共推荐数据集上，该模型始终优于现有的顺序推荐方法。

    Jan, 2020

  • 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

  • FeedRec: 利用各种用户反馈的新闻推荐

    为了提高新闻推荐的用户兴趣模型和模型训练的效果，我们提出了一种利用各种用户反馈的统一用户建模框架，并采用强到弱的注意力网络来提炼正负用户兴趣，以及采用多反馈模型训练框架来学习关注度感知的新闻推荐模型。

    Feb, 2021

  • 释放上下文的力量：利用基于上下文的预测模型增强大规模推荐系统

    引入了 Context-Based Prediction Models 这一概念，通过仅依赖用户和环境特征，而不考虑物品特定特征的方式来预测用户的行为概率，该方法在许多有价值的应用中表现出显著优势，包括训练辅助的上下文模型以估计点击概率，并将其预测作为 CTR 预测模型的一个特征进行加入，实验证明这种改进在离线和在线业务指标上带来了显著的提升，而对服务成本几乎没有影响，总体上，我们的工作为大规模商业推荐系统的性能提升提供了一种简单且可扩展却强大的方法，对个性化推荐领域具有广泛的影响。

    Jul, 2023

  • 基于深度强化学习的页面推荐

    本文提出了一个基于深度强化学习的新型页面推荐框架 ——DeepPage，旨在同时解决如何根据用户实时反馈更新推荐策略以及如何生成具有适当显示的项目页面两个关键问题，并在真实世界的电子商务数据集上进行实验证明了提出框架的有效性。

    May, 2018

  • 点击率预测的用户行为检索

    本论文提出了一种基于数据检索的用户行为检索框架（UBR4CTR），通过可学习的搜索方法从整个用户历史序列中检索出最相关和最适当的用户行为，然后将这些检索到的行为馈入深度模型进行最终预测，该框架能够在低成本下被高度可行地部署到工业模型流水线中，三个实际大规模数据集上的实验证明了该框架的优越性和功效。

    May, 2020

  • 多视角交互式协同过滤

    本研究提出了一种名为 MV-ICTR 的推荐算法，能够同时处理评分和背景信息，利用潜在因子对物品依赖特征进行建模，并采用多臂赌博策略进行长期在线个性化推荐，适用于冷启动用户和物品占比高的数据集，提高了推荐性能。

    May, 2023

  • 点击率预测模型中的用户行为端到端检索

    该研究提出了一种叫做 ETA 的局部敏感哈希方法，可以大大降低训练和推理成本，并使得可以使用长期用户行为序列进行端到端训练，以实现更好的点击率预测表现。

    Aug, 2021

  • 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

  • 长序列用户行为对于点击率预测的建模实践

    本研究通过机器学习算法与在线服务系统的共同设计，提出了处理长序列用户行为数据的解决方案，能够有效地处理超过千级的长序列用户行为数据，提升了模型性能和系统效率。

    May, 2019