面向大规模 CTR 预测的增量学习框架
信息检索
2022-09-02 v1 机器学习
摘要
本文介绍一种用于点击率（CTR）预测的增量学习框架，并展示其在 Taboola 大规模推荐服务中的有效性。我们的方法通过从先前部署的模型热启动并仅对“新鲜”数据微调，快速捕捉新兴趋势。过往知识通过教师-学生范式维持，其中教师充当蒸馏技术，缓解灾难性遗忘现象。我们的增量学习框架实现了显著更快的训练与部署周期（12 倍加速）。我们展示了在多个流量段上一致的次千次展示收入（RPM）提升，以及新引入物品的显著 CTR 增长。
引用
@article{arxiv.2209.00458,
title = {An Incremental Learning framework for Large-scale CTR Prediction},
author = {Petros Katsileros and Nikiforos Mandilaras and Dimitrios Mallis and Vassilis Pitsikalis and Stavros Theodorakis and Gil Chamiel},
journal= {arXiv preprint arXiv:2209.00458},
year = {2022}
}
备注
To be published in the Sixteenth ACM Conference on Recommender Systems (RecSys 22), Seattle, WA, USA