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。
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
①Avito advertising dataset;
②Company advertising dataset;
①LR;
②DNN;
③Wide&Deep;
④DeepFM;
等等;
AUC能提升1pp;