Jun, 2023

基于图形的长短期兴趣模型用于点击率预测

PDF
TL;DR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。
click-through ratectr predictiononline recommenderadvertising systemsgraph based long-term and short-term interest model
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 使用多模超图进行点击率预测

    使用 Hypergraph Click-Through Rate prediction framework 模型，利用多模态交互的用户和物品信息和生成的基于兴趣的用户超图和物品超图，通过时间感知的用户 - 物品二分网络来预测用户对微视频点击率，该模型表现显著优于其他现有的模型。

    Sep, 2021

  • 动态顺序图学习用于点击率预测

    这篇论文提出了一种名为动态序列图学习（DSGL）的新方法，通过利用用户或物品相关的本地子图的协同信息来增强用户或物品的表示，以预测点击率。DSGL 使用底部向上的方法在动态顺序图中进行图卷积操作，设计了一个考虑时间信息和时间依赖性的时态序列编码层，并提出了一个目标 - 偏好双重注意层，以搜索与目标相关的行为部分并减轻来自不可靠邻居的噪声。实验结果表明，DSGL 方法可以提高 CTR 预测的准确性。

    Sep, 2021

  • 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

  • 拆分推荐中的长期与短期兴趣

    通过对长期和短期兴趣进行对比学习，提出了一种自我监督的框架来解开两个方面之间的纠缠，为推荐系统提供更准确、更有解释性的建议。在电商和短视频数据集上的实验结果表明，该方法优于目前所有的最新模型，并且能够成功地实现长期和短期兴趣的更强的解脱。

    Feb, 2022

  • 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

  • 用长期和短期兴趣建模进行图神经新闻推荐

    通过构建异质性图来显式地建模用户、新闻和潜在主题之间的交互，并利用图形神经网络和注意力机制的 LSTM 模型学习用户和新闻表示形式，从而在新闻推荐系统中扩展高阶结构信息。实验结果表明，该模型在新闻推荐方面显著优于现有的方法。

    Oct, 2019