CSPM：面向按需外卖服务点击率预测的对比时空偏好模型
信息检索
2023-08-17 v1 机器学习
摘要
点击率（CTR）预测在在线按需外卖（OFD）平台中是一项关键任务，用于精确估计用户点击食物项的概率。与淘宝、亚马逊等通用电商平台不同，由于配送范围有限和区域商品供应，OFD 平台上的用户行为和兴趣对位置和时间更为敏感。然而，现有 OFD 场景下的 CTR 预测算法集中于从历史行为序列中捕捉兴趣，未能有效建模特征内复杂的时空信息，导致性能不佳。为应对这一挑战，本文引入对比时空偏好模型（CSPM），通过三个模块利用不同搜索状态下的序列：对比时空表示学习（CSRL）、时空偏好提取器（StPE）和时空信息过滤器（StIF）。CSRL 利用对比学习框架为搜索动作生成时空激活表示（SAR）。StPE 采用 SAR，通过多头注意力机制从历史行为序列字段中激活用户与位置和时间相关的多样偏好。StIF 将 SAR 纳入门控网络，自动捕捉具有潜在时空效应的重要特征。在两个大规模工业数据集上的大量实验证明了 CSPM 的 SOTA 性能。值得注意的是，CSPM 已成功部署于阿里巴巴的在线 OFD 平台饿了么，使 CTR 显著提升 0.88%，具有重大业务意义。
引用
@article{arxiv.2308.08446,
title = {CSPM: A Contrastive Spatiotemporal Preference Model for CTR Prediction in On-Demand Food Delivery Services},
author = {Guyu Jiang and Xiaoyun Li and Rongrong Jing and Ruoqi Zhao and Xingliang Ni and Guodong Cao and Ning Hu},
journal= {arXiv preprint arXiv:2308.08446},
year = {2023}
}