基于冷启动的多场景排序模型用于点击率预测
信息检索
2023-04-18 v1
摘要
在线旅游平台(OTPs)，例如 Ctrip.com 或 Fliggy.com，可有效向用户提供旅游相关产品或服务。本文关注多场景点击率(CTR)预测，即训练一个统一模型服务于所有场景。现有的基于多场景的 CTR 方法在 OTP 设定下表现不佳，因其忽视了数据极少的冷启动用户。为填补此空白，我们提出一种名为基于冷启动的多场景网络(CSMN)的新方法。具体而言，它包含两个基本组件：1) 用户兴趣投影网络(UIPN)，首先通过针对访问场景消除行为中与场景无关的信息来净化用户行为，随后通过注意力机制针对目标物品汇总净化后的行为以获得用户特定场景的兴趣；2) 用户表示记忆网络(URMN)，通过记忆读写机制使冷启动用户从具有丰富行为的用户中获益。CSMN 在端到端学习框架中无缝集成这两个组件。在真实离线数据集和在线 A/B 测试上的大量实验证明了 CSMN 相对于最先进方法的优越性。
引用
@article{arxiv.2304.07858,
title = {Cold-Start based Multi-Scenario Ranking Model for Click-Through Rate Prediction},
author = {Peilin Chen and Hong Wen and Jing Zhang and Fuyu Lv and Zhao Li and Qijie Shen and Wanjie Tao and Ying Zhou and Chao Zhang},
journal= {arXiv preprint arXiv:2304.07858},
year = {2023}
}
备注
accepted by DASFAA'23 as a Research Paper