表征学习辅助点击率预测 Representation Learning-Assisted Click-Through Rate Prediction
发布于 2021-02-04 13:15:07
Motivation：
传统的网络只考虑到User和Item两者分开的特征，存在缺少联合特征和User、Item的Embedding学习不充分等问题。
Contribution：
本文作者在传统的CTR模型上（prediction subnet），增加matching subnet和correlation subnet，并对这3个网络进行联合学习，以达到更好的效果。
- 本文作者提出的联合学习框架如下图。主要包括3个子网络：
①prediction subnet，传统的CTR模型，使用User和Item各自的特征进行训练；
②matching subnet，使用tower模型结构，最后一层FC的激活函数不使用ReLU，而是tanh，因为ReLU容易导致大部分是0；
③correlation subnet，借助图的方式去表征关系，使用skip-gram；
实验
- Dataset
①Avito advertising dataset；
②Company advertising dataset；
- Baseline
①LR；
②DNN；
③Wide&Deep；
④DeepFM；
等等；
- 实验结果
AUC能提升1pp；
0 条评论
