面向点击率预测的对抗式多模态表示学习
信息检索
2020-03-17 v1 机器学习
机器学习
摘要
为了获得更好的用户体验与商业效益，点击率（CTR）预测一直是电子商务中最重要的任务之一。尽管已有大量CTR预测模型被提出，但从多模态特征中学习商品的良好表示仍较少被研究，因为电子商务中的商品通常包含多种异质模态。以往工作要么将多种模态特征拼接，这等同于给每种模态赋予固定的重要性权重；要么通过注意力机制等技术为不同商品学习不同模态的动态权重。然而，存在一个问题：多种模态之间通常存在共同的冗余信息。利用这些冗余信息计算出的不同模态的动态权重可能无法正确反映各模态的不同重要性。为此，我们通过区别对待模态特定特征与模态不变特征，来探索模态间的互补性与冗余性。我们提出了一种新颖的多模态对抗表示网络（MARN）用于CTR预测任务。一个多模态注意力网络首先根据每个商品的模态特定特征计算多种模态的权重。随后一个多模态对抗网络学习模态不变表示，并引入双判别器策略。最后，我们通过结合模态特定与模态不变表示得到多模态商品表示。我们在公开与工业数据集上进行了充分实验，所提方法相较于最先进（SOTA）方法一致取得了显著提升。此外，该方法已部署于线上电子商务系统，在线A/B测试进一步证明了其有效性。
引用
@article{arxiv.2003.07162,
title = {Adversarial Multimodal Representation Learning for Click-Through Rate Prediction},
author = {Xiang Li and Chao Wang and Jiwei Tan and Xiaoyi Zeng and Dan Ou and Bo Zheng},
journal= {arXiv preprint arXiv:2003.07162},
year = {2020}
}
备注
Accepted to WWW 2020, 10 pages