AntM$^{2}$C: 多方案多模态 CTR 预测的大规模数据集

Aug, 2023

AntM$^{2}$C: 多方案多模态 CTR 预测的大规模数据集

AntM$^{2}$C: A Large Scale Dataset For Multi-Scenario Multi-Modal CTR Prediction

Zhaoxin Huan, Ke Ding, Ang Li, Xiaolu Zhang, Xu Min...

TL;DR基于 AntM$^{2}$C，本文提出了多场景多模态点击率数据集，涵盖广告、优惠券、小程序、内容和视频等 5 种不同类型的项目，提供了除基于 ID 的特征外，原始文本和图像特征的多模态特征，共有 10 亿次点击率数据，是目前最大规模的点击率数据集之一。

Abstract

Click-through rate (CTR) prediction is a crucial issue in recommendation systems. There has been an emergence of various public CTR datasets. However, existing datasets primarily suffer from the following limitations. Firstly, users generally click different types of items from multiple scenarios, and modeling from multiple scenarios can provide a more compr

click-through rate prediction recommendation systems multi-scenario modeling multi-modal features ctr dataset

发现论文，激发创造

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

对抗式多模态表征学习用于点击率预测

提出了一种新的基于多模态对抗表示网络 (MARN) 的点击率预测模型，它通过计算多模态特征中的模态加权值和使用模态不变特征来学习表征，以解决在电子商务中从多模态特征学习良好的物品表示的问题，并在公共和工业数据集上实现了显着的改进。

Mar, 2020

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

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

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

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

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

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

大规模 CTR 预测的增量学习框架

本研究提出了一种增量学习框架，用于 Click-Through-Rate (CTR) 预测，并展示了其在 Taboola 庞大规模推荐服务中的有效性。通过从以前部署的模型进行暖启动和仅在 “新鲜” 的数据上微调，我们的方法可以快速捕捉新兴趋势，并通过教师 - 学生范式来保留过去的知识。我们的增量学习框架可以实现显着更快的训练和部署周期（12 倍加速）。我们在多个流量段上证明了一致的 Revenue Per Mille (RPM) 增长和新引入项目的 CTR 显著增加。

Sep, 2022

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