May, 2023

DADIN: 面向跨领域推荐系统的域对抗深度兴趣网络

PDF
TL;DR提出了一种新颖的深度学习跨域 CTR 预测模型 ——“Domain Adversarial Deep Interest Network (DADIN)”，通过引入流派不可知层和特别设计的损失函数，联合两个域的分布对齐，通过对抗训练的方式同时对 CTR 预测损失进行优化，从而将跨域推荐任务转化为领域自适应问题，实验表明这个模型在两个真实数据集上表现最优，其平均可比之下排名第一， Huawei 数据集上 AUC 比最强基线高 0.08％，Amazon 数据集上比竞争对手高 0.71％，削减研究表明 DADIN 引入对抗性方法可分别在华为数据集和 Amazon 数据集上提高 AUC 2.34％和 16.67％。
发现论文，激发创造
  • 点击率预测的决策环境交互网络

    提出一种识别决策上下文交互网络，它可以显著地提高在线广告系统中的用户点击率预测。

    Jan, 2023

  • 深度上下文兴趣网络用于点击率预测

    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

  • MiNet: 跨领域点击率预测的混合兴趣网络

    本文探讨了在线广告系统中面对的 CTR 预测问题，利用源域辅助数据来提高目标域的 CTR 预测性能，提出了 MiNet（Mixed Interest Network）网络，它可以联合建模三种类型的用户兴趣，包括长期跨域兴趣、来自源域的短期兴趣和目标域的短期兴趣，其中两种层级的注意力可以自适应地决定如何从新闻和广告中提取有用信息。离线实验表明 MiNet 优于几种现有的 CTR 预测方法，A/B 测试的结果也表明 MiNet 可以实际部署并有效提高 UC Toutiao 中的在线 CTR。

    Aug, 2020

  • 跨域点击率预测的双重注意力序列学习

    提出了一种基于双学习机制的跨领域用户行为建模方法，为两个相关领域建立双重的潜在嵌入，实现了在两个目标域上同时提高 CTR 预测性能的目标，实验证明了比其他最先进的模型表现更好的效率和性能。

    Jun, 2021

  • 跨领域推荐的领域感知交叉注意力

    我们的研究提出了一种两步领域感知的交叉关注方法，能够从源领域的不同粒度中提取可迁移的特征，有效表达领域和用户兴趣，简化了训练流程，适合于新领域的快速部署，并通过实验证明了方法的有效性，还在在线广告系统中部署了模型，观察到了单击率和有效千次展示费用的显著改善。

    Jan, 2024

  • 在电子商务广告中使用深度兴趣网络模型预测点击率

    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

  • DDTCDR：深度双重转移跨领域推荐

    本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型，该模型在电影、图书和音乐三个领域的数据集上经过充分测试，表现优于其他传统模型。

    Oct, 2019

  • 深度时空神经网络用于点击率预测

    本文通过研究广告与其他广告之间的关系提高广告点击率（CTR）的预测，分别从空间和时间两个维度考虑辅助广告，提出了一种基于深度时空神经网络（DSTNs）的方法，结合离线和在线实验证明了该方法的有效性和性能优越性。

    Jun, 2019

  • 基于深度领域适应的跨域推荐

    提出一种面向冷启动用户的内容为基础的跨领域推荐方法，利用极端多类分类的形式来预测用户对物品的评分标签，构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络，实现了不依赖用户和物品重叠特征，不同领域之间的推荐， 在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。

    Mar, 2018

  • 基于偏好动态调整和属性感知的相关推荐网络：DPAN

    电子商务平台中，我们提出了一种名为 DPAN 的新方法，通过学习细粒度的相似性和多样性表示并捕捉用户在不同条件下的动态偏好，来预测相关推荐中的点击率（CTR），经过离线实验和在线 A/B 测试的验证，CTR 提高了 7.62%。

    Aug, 2023