基于F形点击模型的多块移动页面信息检索
该研究介绍了一种基于用户交互轨迹的 UI 理解预训练模型 ActionBert,利用视觉、语言和领域专业特征来预训练 UI 元素的泛化特征表示,以解决 UI 的理解和功能识别的问题,并在图标分类和 UI 组件检索等任务上测试模型的效果。
Dec, 2020
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
本文提出了一种基于三角形图的用户兴趣推荐框架TGIN,通过提取邻近点击物品的三角形图模式来捕捉用户的真实动机,扩大了用户兴趣的探索机会,并借助多层兴趣聚合方法提高了CTR预测的准确性。
Feb, 2022
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。
Mar, 2022
本文提出了一种基于神经网络和图增强的点击模型(GraphCM),通过在构造的同质图中提取查询和文档之间的信息,分别对吸引力评估器和考试预测器进行建模,通过组合功能将考试概率和吸引力评分融合到点击预测中,综合实验结果表明其在处理数据稀疏性和冷启动问题方面具有优越性能。
Jun, 2022
利用机器学习和深度学习模型,可以根据易于收集的Javascript浏览器跟踪数据,准确预测用户阅读数字通讯中每个信息(区域)的阅读时间,可用于优化个性化内容推荐和提高用户体验。
Jun, 2023
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
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