一种基于多阶特征交叉重要性的点击率预测方法
机器学习
2024-05-16 v1 人工智能
信息检索
摘要
当前大多数点击率预测（CTR）模型通过 Hadamard 积或内积构造显式或隐式高阶特征交叉，很少关注特征交叉的重要性；仅有少数模型要么局限于二阶显式特征交叉，要么隐式进行高阶特征交叉，或者能够学习高阶显式特征交叉的重要性但无法为模型提供良好的可解释性。本文提出了一种新模型 FiiNet（多阶特征交互重要性神经网络）。该模型首先使用选择性核网络（SKNet）显式构造多阶特征交叉。它以细粒度方式动态学习特征交互组合的重要性，增加重要特征交叉组合的注意力权重并降低无特征交叉的权重。为验证 FiiNet 模型能够以细粒度方式动态学习特征交互组合的重要性并提升模型的推荐性能和可解释性，本文在两个真实数据集上将其与多种点击率预测模型进行了比较，证明融入选择性核网络的 FiiNet 模型能有效提升推荐效果并提供更好的可解释性。FiiNet 模型的实现可在 PyTorch 中获取。
引用
@article{arxiv.2405.08852,
title = {A Click-Through Rate Prediction Method Based on Cross-Importance of Multi-Order Features},
author = {Hao Wang and Nao Li},
journal= {arXiv preprint arXiv:2405.08852},
year = {2024}
}