基于自动量化对比学习的点击率预测
信息检索
2021-09-30 v1 人工智能
机器学习
摘要
点击率（CTR）预测在无处不在的网络推荐应用中变得不可或缺。然而，当前的方法在用户交互极其稀疏的冷启动场景下表现不佳。我们将此问题视为对用户行为是否足够丰富以捕捉预测所需兴趣的自动识别，并提出了一种自动量化对比学习（AQCL）损失来正则化模型。与以往方法不同，AQCL 同时探索了实例-实例和实例-聚类的相似性以增强潜在表示的鲁棒性，并自动减少了由于量化对活跃用户造成的信息损失。所提出的框架对不同的模型架构是不可知的，并且可以以端到端的方式进行训练。大量结果表明，它持续改进了当前最先进的 CTR 模型。
引用
@article{arxiv.2109.13921,
title = {Click-through Rate Prediction with Auto-Quantized Contrastive Learning},
author = {Yujie Pan and Jiangchao Yao and Bo Han and Kunyang Jia and Ya Zhang and Hongxia Yang},
journal= {arXiv preprint arXiv:2109.13921},
year = {2021}
}