Aug, 2023

应用广告点击率和安装预测的加权多层特征分解

PDF
TL;DR该论文提供了 ISISTANITOS 团队在 ACM RecSys Challenge 2023 中所使用的方法概述。该竞赛由 ShareChat 组织，旨在预测用户点击应用广告和 / 或安装应用的概率，以改善深漏斗优化并特别关注用户隐私。我们提出的方法将点击和安装的概率视为两个不同但相关的任务。因此，模型为每个任务工程化了一组特定特征和一组共享特征。我们的模型称为加权多层特征因子分解，因为它考虑了不同阶特征的相互作用，其中阶数与神经网络深度相关。对于给定的任务，通过在不同层次上组合任务特定和共享特征来生成预测。我们的提交在竞赛学术类别中获得了第 11 名和 55 分的总体成绩。我们在此 https URL 上发布了我们的源代码。
发现论文，激发创造
  • 基于场权重因子分解机的展示广告点击率预测

    该论文提出了一种称为 Field-weighted Factorization Machines 的算法，以更加内存高效的方式建模不同领域之间的不同特征交互，实现点击率预测，并与其他算法进行了比较。

    Jun, 2018

  • 基于因子分解机的神经网络用于 CTR 预测的 DeepFM

    本文提出了一个新的深度学习模型 DeepFM，既能够强调低阶特征交互，又能够强调高阶特征交互，接受的特征也不需要进行专业的工程处理。经过实验证明，DeepFM 比现有模型更有效和更高效用于 CTR 预测。

    Mar, 2017

  • 社交网络推荐预测的多方面分解模型群集

    本文提出了一种称为多方面因子模型的新方法来改善社交网络中的推荐准确性，该方法将用户之间的社交关系、标签、档案等特征整合在一起，并采用隐性反馈，同时还利用用户行为模型来进行联合预测，并在 KDD-Cup 竞赛中获得了第二名的好成绩。

    May, 2021

  • 现实世界在线广告系统中的领域感知因子分解机

    介绍了一种预测显示广告中用户点击率和转化率的实时预测系统，该系统采用基于领域的分解机方法，得到了良好的预测效果。我们还讨论了模型训练中的一些挑战和解决方案。

    Jan, 2017

  • TFNet: 多语义特征交互用于 CTR 预测

    本文提出了一种新颖的基于张量的特征交互网络模型（Tensor-based Feature interaction Network，TFNet），通过多个语义空间中的多个多维矩阵，引入操作张量来阐述特征交互，从而在 CTR 预测、推荐系统等方面实现了更好的表现。

    Jun, 2020

  • DeepFM: 一种端到端的宽深学习框架，用于 CTR 预测

    本文提出了 DeepFM 模型，结合了因式分解机和深度学习的能力，通过神经网络架构强调低阶和高阶特征交互，实现了无需特征工程的广泛学习框架，并且实验验证了 DeepFM 在 CTR 预测的效果和实际部署中的效果优于以往的模型。

    Apr, 2018

  • 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

  • RecSys Challenge 2023：从数据准备到预测的简单、高效、健壮和可扩展解决方案

    RecSys Challenge 2023 年由 ShareChat 主办，旨在预测用户在在 ShareChat 和 Moj 应用程序中看到广告印象后是否会在智能手机上安装应用程序。'Team UMONS' 在该挑战中提出了准确的解决方案（最佳得分为 6.622686），采用了一个相对较小的模型，可以在不同的生产配置中轻松实施。我们的解决方案在增加数据集大小时具有良好的可扩展性，并且可以与包含缺失值的数据集一起使用。

    Jan, 2024

  • FAT-DeepFFM: 域注意力深度场感知因子分解机

    本文提出了一种新的神经点击率模型 FAT-DeepFFM，该模型通过将 DeepFFM 与 CENet 场注意力机制结合起来以突出特征重要性，并在真实世界数据集上的实验结果表明，FAT-DeepFFM 在 CTR 预测任务方面的性能最好，并获得不同于现有方法的改进。

    May, 2019

  • 使用对抗验证的轻量级增强模型进行用户响应预测

    本文描述了 ACM RecSys Challenge 2023 的轻量级解决方案，将任务形式化为用户响应预测任务，并通过敌对验证、特征工程技术和梯度提升决策树等方法有效地解决了问题。实验证明单个 LightGBM 模型表现出色，无需额外集成。

    Oct, 2023