May, 2023

DELTA: 推荐系统中的直接嵌入增强和截断意识注意力利用

PDF
TL;DR提出 DELTA 算法用于提高 CTR 预测准确率，通过意识截断模块和直接嵌入增强模块实现对关键特征交叉的强化，实验证明其在 CTR 任务中表现优异。
click-through ratectr predictionfeature interactionconscious processingdelta algorithm
发现论文，激发创造
  • 再看 CTR 预测：关注全部需求吗？

    本文旨在使用经济学中的离散选择模型对点击率 (CTR) 预测问题进行重新定义，并提出了一种使用自注意力机制构建的通用神经网络框架，该框架与现有的大多数 CTR 预测模型相一致，同时还考虑了模型的表达能力和复杂性，最后通过一些公共数据集上的实验结果证明了我们提出的见解。

    May, 2021

  • DeepLight: 基于轻量级深度学习特征交互技术的广告 CTR 加速预测

    本文介绍了一种名为 DeepLight 的框架，用于加速 CTR 预测，该框架通过显式地搜索浅层组件中的信息交互、裁剪深度神经网络（DNN）组件中的冗余层和参数以及提高嵌入层稀疏性的方式，成功地将模型推断速度提高了 46 倍，在不降低预测准确性的情况下，有望在广告投放生产中成功部署复杂的基于嵌入的神经网络。

    Feb, 2020

  • 增强 CTR 预测的双图嵌入神经网络

    本文旨在提高 CTR 预测模型的性能。我们提出了一种名为 Dual Graph enhanced Embedding（DG-ENN）的神经网络模型，它包括两个策略来解决现有模型在稀疏特征或行为情况下性能降低的问题，并已在实际工业数据集上得到验证。

    Jun, 2021

  • 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

  • 深度学习用于点击率估计

    本文综述了 CTR 估算任务中使用的深度学习模型，包括从浅层到深度 CTR 模型的转换，深度 CTR 模型的显式特征交互学习模块，用户行为模型，以及深度 CTR 架构设计的自动化方法。

    Apr, 2021

  • CTR 预测中数值特征的嵌入式学习框架

    本文提出了一种新颖的嵌入学习框架，用于 CTR 预测中的数值特征（AutoDis），其核心组件包括元嵌入，自动离散化和聚合，综合实验证明，AutoDis 可以提高 CTR 和 eCPM，代码公开可用于 MindSpore。

    Dec, 2020

  • 基于表示学习的点击率预测

    DeepMCP 模型基于匹配、关联和预测三个子网络，可以更准确地预测在线广告系统中的 CTR，并在两个大型数据集上优于现有的人工智能模型。

    Jun, 2019

  • 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

  • 始终强化优势：基于漂移感知的增量学习框架用于 CTR 预测

    本文提出了一种基于集成学习的漂移感知增量学习框架，通过明确基于错误的流数据漂移检测，进一步加强适应良好的集合，并冻结不匹配的集合，避免了灾难性干预，从而解决了 CTR 预测中的灾难性遗忘问题。离线实验和 A/B 测试结果表明，该方法优于所有基线方法。

    Apr, 2023

  • 记忆、分解还是幼稚：CTR 预测最佳特征交互方法的学习

    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