通过细粒度核心行为与全局兴趣分布的双视图桥接顺序与上下文特征
信息检索
2026-03-16 v1
摘要
点击率（CTR）预测任务通常通过建模用户行为序列特征和 item 的上下文特征来估计用户点击候选 item 的概率，其中用户行为序列尤为关键，因为它动态反映用户兴趣的实时变化。传统 CTR 模型常将动态序列聚合为单个向量，再与上下文特征交互。这种方法不仅在聚合过程中导致行为信息丢失，还严重限制了模型捕获上下文特征与特定用户行为交互的能力，从而损害了模型捕获细粒度行为细节的能力，并阻碍模型的预测准确性。相反，直观的做法是直接与每个用户动作与上下文特征交互，但这在计算上昂贵，并引入来自与候选 item 无关的行为的显著噪声。这类噪声往往淹没了涉及更多与候选 item 相关行为的交互所产生的有价值信号。因此，为解决上述问题，我们提出了核心行为与分布补偿双视图交互网络（CDNet），从两个互补的角度桥接顺序与上下文特征的交互：一个涉及最相关行为与上下文特征的细粒度交互，以及一个建模用户对上下文特征整体兴趣分布的粗粒度交互。通过同时捕获重要的行为细节而不牺牲整体用户兴趣，CDNet 在不施加显著计算负担的情况下，有效地建模了顺序与上下文特征的相互作用。最终，通过大量实验验证了 CDNet 的有效性。
引用
@article{arxiv.2603.12578,
title = {Bridging Sequential and Contextual Features with a Dual-View of Fine-grained Core-Behaviors and Global Interest-Distribution},
author = {Yi Xu and Chaofan Fan and Moyu Zhang and Jinxin Hu and Jiahao Wang and Hao Zhang and Shizhun Wang and Yu Zhang and Xiaoyi Zeng},
journal= {arXiv preprint arXiv:2603.12578},
year = {2026}
}