Aug, 2023

CSPM：一种用于即时食品配送服务中 CTR 预测的对比时空偏好模型

PDF
TL;DR该论文介绍了基于对比学习的对应搜索状态下的对比时空表示学习（CSRL），对应的选址偏好提取器（StPE）和对触发重要特征的时空信息过滤器（StIF）三个模块，通过在多个大规模工业数据集进行的实验证明了 CSPM 的最新性能，CSPM 已成功在阿里巴巴的在线送餐平台饿了么上部署，提高了 0.88% 的点击率，具有重要的商业影响。
ctr predictiononline on-demand food delivery platformspatiotemporal representation learningspatiotemporal preference extractorgating network
发现论文，激发创造
  • MAP: 用于点击率预测的模型无关预训练框架

    基于大规模用户点击日志的自我监督学习对于点击率（CTR）预测仍然是一个开放性问题，而我们提出了一个无模型的预训练框架，利用特征破坏和恢复，挖掘多领域分类数据的特征交互，并通过两种实用的算法（即遮蔽特征预测和更替特征检测）进一步优化 CTR 预训练，实现了在 CTR 预测方面的有效性和效率的新的最先进表现。

    Aug, 2023

  • 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

  • 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

  • ESMC: 基于参数约束的全空间多任务模型用于后点击转化率

    大规模在线推荐系统中，点击率和后点击转化率是两个基本任务。本文提出了基于条件概率和参数约束策略的新型整体空间多任务模型，以解决概率空间混淆问题，并通过离线和在线环境的实验证明其优越性。

    Jul, 2023

  • 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

  • ALT: 语言和 CTR 模型之间的细粒度对齐性，用于点击率预测

    本文提出了一种新颖的基于 Fine-grained Feature-level Alignment 的语言模型和点击率（CTR）预测模型，通过协同建模和语义知识提取，实现了文本模态和表格模态之间的特征交互和对齐，取得了比现有方法更好的实验结果，并适用于多种语言和 CTR 模型。

    Oct, 2023

  • ClickPrompt：CTR 模型是将语言模型用于 CTR 预测的强大提示生成器

    本研究提出了一个新的模型无关框架（ClickPrompt），通过将 CTR 模型与预训练语言模型结合，旨在同时建模语义知识和协同知识，解决 CTR 估计的推理效率问题。实验证明 ClickPrompt 相较于现有基准模型具有显著的效果。

    Oct, 2023

  • 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

  • 基于后点击行为分解的整体空间多任务建模用于转化率预测

    提出了通过加入一些行为决策点来缓解 Data Sparsity 和 Sample Selection Bias 问题的新的深度推荐模型 ESM²，将多个子任务的概率以及它们在用户行为路径上的条件概率结合起来，通过大量的线下和线上实验验证，实现了比同类现有模型更好的推荐效果。

    Oct, 2019

  • MISS: 多兴趣自监督学习框架用于点击率预测

    提出了一种基于 Multi-Interest Self-Supervised learning 的 CTR 预测框架，使用 CNN-based multi-interest extractors 提取不同兴趣表示中的自监督信号，并应用对比学习损失来提高特征表示学习。实验证明，该框架可以有效应用于现有 CTR 预测模型中并显著提高性能。

    Nov, 2021