多面体锥形分类器用于 CTR 预测
本文提出了一种基于自动交互架构发现的 CTR 预测框架 AutoCTR,使用神经架构搜索技术探索了不同数据集的 CTR 预测模型,取得了在不同数据集上的预测效果和泛化性能的成功。
Jun, 2020
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
提出一种使用基于邻域的交互方法的 Ctr 预测模型,该模型考虑了异构信息网络环境下的推荐系统,采用各种显式和隐式相互作用方式进一步指导本地邻域的表示学习,并在真实数据上表现出较大优势。
Jan, 2022
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
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
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
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
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
本文提出了一种名为 “置信度排名” 的新型框架,使用两个不同的模型以排名函数的形式设计优化目标,允许针对不同凸代理函数的评估指标进行直接优化,例如 AUC 和 Accuracy。实验结果表明,引入置信度排名损失后,可以在公共和工业数据集的 CTR 预测任务上胜过所有基线,该框架已在 JD.com 的广告系统中部署以提高精细排名阶段的主要流量表现。
Jun, 2023