DynInt: 大规模点击率预测的动态交互建模
本文提出了一种基于多项式交互网络的模型 xDeepInt,可用于学习在端到端方式中高阶矢量交互作用,并能平衡矢量与位交互作用的混合。通过将子空间交叉机制整合到模型中,我们可以在有限的订单内平衡二者特征交互的组合,并通过自定义的联合优化策略进行特征选择和交互选择,显著优于现有模型。
Jan, 2023
本文提出了一种称为 AutoInt 的方法,通过多头自注意力神经网络和残差连接,自动学习输入特征的高阶特征交互,共同应用于 CTR 预测、在线广告和推荐系统,并展示了好的解释性和结果。
Oct, 2018
本文提出了一种新型的模型:深度兴趣网络 (DIN),它设计了一个本地激活单元来自适应地学习用户兴趣的表示,从历史行为的角度与某个广告相关。与固定长度向量相比,这种表示向量具有更强的表达能力。在两个公共数据集以及一个阿里巴巴实际生产数据集的实验表明,该方法展现出优越的性能,未来可用于在阿里巴巴的在线展示广告系统中为主要的流量服务。
Jun, 2017
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
研究了通过建模特征交互来提高 CTR 预测模型性能的方法,并提出了一种通用框架 OptInter,能够自动搜索最佳建模方法以及对 CTR 模型进行优化,实验显示,OptInter 可以将最佳基准 Deep CTR 模型的性能提高多达 2.21%,并对内存占用减少高达 91%。
Aug, 2021
通过设计用户即时兴趣模型层以预测用户滚动时即时兴趣强度的动态变化,利用时间信息进行用户行为建模,引入交互层以学习更好的触发器和目标项之间的交互,我们提出了一种新颖的方法 —— 深度演化即时兴趣网络(DEI2N),用于触发诱导推荐场景中的点击率预测。实验结果表明,我们的 DEI2N 方法在离线数据集和真实世界工业数据集上胜过现有的基准方法,而在线 A/B 测试则证明了其在实际生产环境中的优越性。
Jan, 2024
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
本文提出了一种名为深度兴趣演化网络(DIEN)的新模型,用于 CTR 预测,该模型通过设计兴趣提取器层和兴趣演变层,从用户历史行为序列中捕捉时间性兴趣,并在实验中取得了显著的性能提高。
Sep, 2018
本文提出了 FiBiNET 模型,通过 Squeeze-Excitation 网络机制学习特征重要性,通过双线性函数有效地学习特征交互,结果显示该模型在真实数据集上的性能优于其他浅层模型和深度模型。
May, 2019
本文提出了一种使用深度兴趣网络(DIN)模型来增强点击率(CTR)预测模型的新方法,特别应用于阿里巴巴淘宝平台的广告系统。与传统的深度学习方法不同,本研究侧重于利用广泛的用户行为数据进行定位用户行为激活以实现定制广告定位。与传统模型相比,该方法展现了处理多样化和动态用户数据的优越能力,从而提高广告系统的效率并增加收益。
Jun, 2024