基于因果关系的图神经网络点击率预测
信息检索
2023-02-01 v1 人工智能
机器学习
摘要
作为在线广告中的一个普遍问题，点击率（CTR）预测已引起学术界和工业界的广泛关注。近期研究报道了在图神经网络（GNNs）框架下建立CTR预测模型。然而，大多数基于GNNs的模型在完全图中处理特征交互，却忽略了特征间的因果关系，导致在分布外数据上的性能大幅下降。本文致力于在GNNs框架下开发一种基于因果关系的CTR预测模型（Causal-GNN），在在线广告场景中融合特征图、用户图和广告图的表示。在我们的模型中，设计了一种结构化表示学习方法（GraphFwFM），基于门控图神经网络（GGNNs）中字段特征间的因果发现来捕获特征图上的高阶表示，并采用GraphSAGE获取用户和广告的图表示。在三个公开数据集上的实验证明了Causal-GNN在AUC和Logloss上的优越性，以及GraphFwFM在捕获因果特征图上高阶表示的有效性。
引用
@article{arxiv.2301.12762,
title = {Causality-based CTR Prediction using Graph Neural Networks},
author = {Panyu Zhai and Yanwu Yang and Chunjie Zhang},
journal= {arXiv preprint arXiv:2301.12762},
year = {2023}
}
备注
40 pages, 6 figures, 5 tables