基于多模态超图的点击率预测

广告对e-Bay和Amazon等许多在线电子商务平台至关重要。这些平台依赖的重要信号之一是点击率（CTR）预测。TikTok等多模态分享平台近来的流行导致了对在线微视频的兴趣增加。因此，考虑微视频有助于商家更好地定向微视频广告并发现用户偏好以提升用户体验。现有的CTR预测工作大多利用单模态内容来学习物品表示，利用用户与物品间多模态信息交互的努力相对较少。我们提出一种模型，利用时序用户-物品交互来引导带有多模态特征的表示学习，并进一步预测用户对微视频物品的点击率。我们设计了一个构建在超图神经网络超边概念之上的超图点击率预测框架（HyperCTR），其能够生成用户和微视频的模态特定表示以更好地捕捉用户偏好。我们构建了带多模态信息的时间感知用户-物品二部网络，并利用所生成的基于兴趣的用户超图和物品超图来丰富每个用户和物品的表示。通过在三个公开数据集上的大量实验，我们证明了所提模型显著优于多种最先进的方法。