May, 2022

采样即可：长期用户行为建模用于 CTR 预测

PDF
TL;DR本文提出了一种采用多哈希函数进行采样的端到端模型 SDIM，来模拟用户的长期行为数据，并且通过设计一种名为 BSE 的模块，与 SDIM 相结合来加速 CTR 模型，通过离线和在线实验验证了 SDIM 的有效性。
user behavior datactr predictionretrieval-based methodsampling-based approachbehavior sequence encoding
发现论文，激发创造
  • 基于搜索的生命周期顺序行为数据进行用户兴趣建模与点击率预测

    本文提出了一种名为 “基于搜索的兴趣模型” 的新的建模范式，利用两个级联搜索单元在可扩展性和准确性方面，更好地对终生序列行为数据进行建模，并通过在大规模工业系统中的实现取得了良好的效果。

    Jun, 2020

  • 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

  • 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

  • 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

  • 基于图形的长短期兴趣模型用于点击率预测

    本文提出一种名为 GLSM 的基于图形的长短期兴趣模型，它包含用于捕捉长期用户行为的多兴趣图形结构，用于建模短期信息的多场景异构序列模型以及自适应融合机制来融合长期和短期行为的信息，并在实际应用中展示出了显著的 CTR 和 GMV 提升。

    Jun, 2023

  • TBIN：用于 CTR 预测的长文本行为建模

    我们提出了一种基于用户行为文本的兴趣分块网络（TBIN），通过结合高效的局部敏感哈希算法和偏移块自注意力机制来处理先前研究中的限制，从而实现动态激活用户多样化的兴趣，并产生针对目标项目的用户兴趣表达。通过对真实世界食品推荐平台上的离线和在线实验的结果，证明了 TBIN 的有效性。

    Aug, 2023

  • SDM: 在线大规模推荐系统的序列深度匹配模型

    本文提出了一种新的序列深度匹配模型来捕捉用户的动态兴趣，其中同时结合了短期会话和长期行为，成功地解决了现有序列感知推荐方法在现实世界应用中存在的两个固有问题，并取得了很好的实验效果。

    Sep, 2019

  • 全生命周期用户行为的深度兴趣建模用于 CTR 预测

    通过深度分组兴趣网络及 Transformer 技术，研究从用户终身行为序列中提取用户兴趣，预测点击率，并验证了该方法的效果和效率。

    Nov, 2023

  • 层级融合长短期用户兴趣用于产品搜索中点击率预测

    本文提出一种名为 HIFN 的层次兴趣融合网络，该网络通过包含短期兴趣提取器、长期兴趣提取器、兴趣融合模块和兴趣解缠模块这四个基本模块，有效地提取和融合用户的短期和长期兴趣，以提高个性化产品搜索中的点击率预测效果。

    Apr, 2023