用于点击率预测的跨领域增强网络
信息检索
2023-05-10 v2
摘要
数据稀疏性是点击率（CTR）预测的一个重要问题，尤其是当用户-物品交互过于稀疏而无法学习到可靠的模型时。近来，许多跨领域 CTR（CDCTR）预测的工作被提出，以努力利用来自相关领域的有效数据。然而，现有大多数 CDCTR 工作存在一个不切实际的限制，即要求跨领域具有同构输入（即共享特征域），而具有跨领域异构输入（即不同特征域）的 CDCTR 尚未被广泛探索，但却是一个紧迫且重要的研究问题。在本工作中，我们提出了一种跨领域增强网络（CDAnet），能够在具有异构输入的两个领域之间进行知识迁移。具体而言，CDAnet 包含一个按顺序训练的翻译网络和一个增强网络。翻译网络通过设计两个独立分支，能够分别计算具有异构输入的两个领域的特征，随后使用设计的跨监督特征翻译器学习有意义的跨领域知识。之后，增强网络通过在潜空间中进行特征翻译来编码学习到的跨领域知识，并微调模型以进行最终 CTR 预测。通过在两个公开基准和一个工业生产数据集上的大量实验，我们表明 CDAnet 能够学习有意义的翻译特征，并大幅改善 CTR 预测性能。CDAnet 已在淘宝 App 的图到商品检索中进行了为期 20 余天的在线 A/B 测试，带来了绝对的 \textbf{0.11 点} CTR 提升和相对的 \textbf{1.26\%} GMV 增长。
引用
@article{arxiv.2305.03953,
title = {Cross-domain Augmentation Networks for Click-Through Rate Prediction},
author = {Xu Chen and Zida Cheng and Shuai Xiao and Xiaoyi Zeng and Weilin Huang},
journal= {arXiv preprint arXiv:2305.03953},
year = {2023}
}