基于二分图神经互动的自适应用户分段学习：从通用到特定表示
机器学习
2024-09-24 v1 信息检索
摘要
最近，针对用户表征学习的模型在点击-through率（CTR）和转化率（CVR）预测中得到广泛应用。通常情况下，该模型会学习通用的用户表征作为后续场景特定模型的输入。然而，在诸多工业应用（如推荐和营销）中，业务总是以不同用户分段的多种线上活动形式存在。这些分段总是由领域专家创建的。由于后续任务中用户分布（即用户分段）和业务目标的差异，仅学习通用表征可能会对模型性能和鲁棒性产生不利影响。本文提出了一种新型学习框架，首先通过信息瓶颈学习通用用户表征，然后通过神经互动合并学习分段特定或任务特定表征。我们设计的交互式学习过程利用二分图架构来建模上下文簇与每个用户分段之间的表征学习和合并。我们的方法在两个开源基准、两个离线业务数据集以及两个在线营销应用中用于预测用户CVR。结果表明，该方法能够获得优异的性能并超越基线方法。
引用
@article{arxiv.2409.14945,
title = {Adaptive Learning on User Segmentation: Universal to Specific Representation via Bipartite Neural Interaction},
author = {Xiaoyu Tan and Yongxin Deng and Chao Qu and Siqiao Xue and Xiaoming Shi and James Zhang and Xihe Qiu},
journal= {arXiv preprint arXiv:2409.14945},
year = {2024}
}