SIGIRApr, 2022

使用上下文感知特征表示学习提高 CTR 预测

PDF
TL;DR本文中提出的特征精炼网络 (FRNet) 可在不同上下文中学习以比特级为单位的特征表示，以提高 CTR 预测精度。FRNet 包括信息抽取单元 (IEU) 和互补选择门 (CSGate) 两个关键组成部分，能兼容现有的 CTR 方法，并通过实验验证了其有效性、效率和适用性。
ctr predictionfeature interactioncontext-awarefeature refinement networkbit-level
发现论文，激发创造
  • CL4CTR: 用于 CTR 预测的对比学习框架

    本文提出了一种基于自监督学习的 Click-Through Rate (CTR) 预测框架 (CL4CTR)，采用三种自监督学习信号作为特征表征学习的正则化项以提高 CTR 预测性能，并在四个数据集上实验证明其与各种代表性基线相比具有卓越的性能和兼容性。

    Dec, 2022

  • 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

  • TFNet: 多语义特征交互用于 CTR 预测

    本文提出了一种新颖的基于张量的特征交互网络模型（Tensor-based Feature interaction Network，TFNet），通过多个语义空间中的多个多维矩阵，引入操作张量来阐述特征交互，从而在 CTR 预测、推荐系统等方面实现了更好的表现。

    Jun, 2020

  • FLEN：利用字段进行可扩展 CTR 预测

    本文介绍了一种新型的 FLEN 模型和 Dropout 技术，用于解决应用推荐系统中的 CTR 预测问题，该模型可以在使用较少的模型参数和时间复杂度的情况下捕获字段内和字段间的特征组合，并在实际在线环境中得到了实验及测试的效果验证。

    Nov, 2019

  • FecTek：利用特征上下文和术语级知识增强基于词典的检索中的术语权重

    通过引入特征上下文和术语级知识模块（FecTek），该论文通过引入 FCM 和 TKGM 模块来改进基于词典的检索方法，提高性能，并在 MS Marco 基准测试中展现出优越性能。

    Apr, 2024

  • MAP: 用于点击率预测的模型无关预训练框架

    基于大规模用户点击日志的自我监督学习对于点击率（CTR）预测仍然是一个开放性问题，而我们提出了一个无模型的预训练框架，利用特征破坏和恢复，挖掘多领域分类数据的特征交互，并通过两种实用的算法（即遮蔽特征预测和更替特征检测）进一步优化 CTR 预训练，实现了在 CTR 预测方面的有效性和效率的新的最先进表现。

    Aug, 2023

  • 特征精化：用于微表情识别的表情特征学习和融合方法

    本文提出了一种新颖的特征细化方法（FR），该方法包括表情提议模块和基于光流的启示模块，可以提取特定表达式的突出和有区别的特征，并通过表情特定特征的融合来预测表情，实验证实了其在不同协议下的有效性。

    Jan, 2021

  • 基于因果关系的图神经网络 CTR 预测

    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

  • 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

  • 深度多表示模型用于点击率预测

    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