AT4CTR：用于增强点击率预测的辅助匹配任务
信息检索
2023-12-19 v2
摘要
点击率 (CTR) 预测是工业推荐系统中的一项关键任务。现有大多数方法侧重于 CTR 模型的网络架构设计以获得更好的准确性，并遭受数据稀疏性问题。特别是在工业推荐系统中，由于资源限制而广泛应用的负样本降采样技术加剧了这一问题，导致性能下降。在本文中，我们提出了用于增强点击率预测精度的辅助匹配任务 (AT4CTR)，以缓解数据稀疏性问题。具体来说，我们设计了两个受协同过滤启发的匹配任务，以增强用户和物品之间的相关性建模。由于“点击”行为是直接表明用户对物品偏好的强信号，我们使第一个匹配任务旨在拉近正样本中用户和物品的表示。由于用户过去的点击行为也可以被视为用户本人，我们将下一个物品预测作为第二个匹配任务。对于这两个匹配任务，我们选择 InfoNCE 作为它们的损失函数。这两个匹配任务可以提供有意义的训练信号，以加速模型收敛并缓解数据稀疏性。我们在一个公开数据集和一个大规模工业推荐数据集上进行了大量实验。结果证明了所提出的辅助匹配任务的有效性。AT4CTR 已部署在实际的工业广告系统中，并获得了显著的收入增长。
引用
@article{arxiv.2312.06683,
title = {AT4CTR: Auxiliary Match Tasks for Enhancing Click-Through Rate Prediction},
author = {Qi Liu and Xuyang Hou and Defu Lian and Zhe Wang and Haoran Jin and Jia Cheng and Jun Lei},
journal= {arXiv preprint arXiv:2312.06683},
year = {2023}
}