用于京东视觉感知 CTR 预测的类别特定 CNN
机器学习
2020-06-22 v2 机器学习
摘要
作为中国最大的 B2C 电子商务平台之一,京东也支持着一个领先的广告系统,为数百万广告主提供与数亿客户的指尖连接。在我们的系统以及大多数电子商务场景中,广告通常配有图像展示。这使得视觉感知的点击率(CTR)预测对商业效果和用户体验至关重要。现有算法通常使用现成的卷积神经网络(CNN)提取视觉特征,并在后期融合视觉与非视觉特征以预测最终的 CTR。尽管该领域已被广泛研究,但仍面临两个关键挑战。首先,尽管离线研究取得了令人鼓舞的进展,但由于对高效的端到端训练和低延迟在线服务有严格要求,在实际系统中应用 CNN 并非易事。其次,现成的 CNN 和后期融合架构是次优的。具体而言,现成的 CNN 是为分类而设计的,因此从不将类别作为输入特征。而在电子商务中,类别被精确标注,并包含丰富的视觉先验,这将有助于视觉建模。由于未感知广告类别,这些 CNN 可能会提取一些不必要的与类别无关的特征,浪费了 CNN 有限的表达能力。为了克服这两个挑战,我们专门针对 CTR 预测提出了类别特定 CNN(CSCNN)。CSCNN 在每个卷积层上通过一个轻量级的注意力模块及早融入类别知识。这使得 CSCNN 能够提取有利于 CTR 预测的、具有表达力的类别特定视觉模式。在基准测试和来自京东的 100 亿规模真实生产数据集上的离线实验,以及在线 A/B 测试表明,CSCNN 优于所有对比的最先进算法。
引用
@article{arxiv.2006.10337,
title = {Category-Specific CNN for Visual-aware CTR Prediction at JD.com},
author = {Hu Liu and Jing Lu and Hao Yang and Xiwei Zhao and Sulong Xu and Hao Peng and Zehua Zhang and Wenjie Niu and Xiaokun Zhu and Yongjun Bao and Weipeng Yan},
journal= {arXiv preprint arXiv:2006.10337},
year = {2020}
}