APG：用于点击率预测的自适应参数生成网络
信息检索
2023-12-13 v3 人工智能
机器学习
摘要
在许多网络应用中，基于深度学习的 CTR 预测模型（简称深度 CTR 模型）被广泛采用。传统的深度 CTR 模型以静态方式学习模式，即网络参数在所有样本上相同。然而，这种方式难以刻画可能具有不同潜在分布的各个样本，实际上限制了深度 CTR 模型的表达能力，导致次优结果。本文提出一个高效、有效且通用的模块，称为自适应参数生成网络（APG），它可基于不同样本动态即时生成深度 CTR 模型的参数。大量实验评估结果表明，APG 可应用于多种深度 CTR 模型并显著提升其性能。同时，与常规深度 CTR 模型相比，APG 能将时间开销降低 38.7%，内存占用降低 96.6%。我们已将 APG 部署于工业赞助搜索系统，分别实现了 3% 的 CTR 提升和 1% 的 RPM 提升。
引用
@article{arxiv.2203.16218,
title = {APG: Adaptive Parameter Generation Network for Click-Through Rate Prediction},
author = {Bencheng Yan and Pengjie Wang and Kai Zhang and Feng Li and Hongbo Deng and Jian Xu and Bo Zheng},
journal= {arXiv preprint arXiv:2203.16218},
year = {2023}
}
备注
NeurIPS 2022, 16 pages; The first two authors contributed equally to this work