用于广告点击预测的深度与交叉网络
机器学习
2017-08-18 v1 机器学习
摘要
特征工程一直是许多预测模型成功的关键。然而，这一过程并不简单，通常需要手动特征工程或穷举搜索。DNN 能够自动学习特征交互；然而，它们隐式地生成所有交互，在学习所有类型的交叉特征时并不一定高效。在本文中，我们提出了深度与交叉网络（DCN），它保留了 DNN 模型的优势，不仅如此，它还引入了一种新颖的交叉网络，在学习某些有界度数的特征交互时更加高效。具体而言，DCN 在每一层显式地应用特征交叉，无需手动特征工程，并且仅给 DNN 模型增加可忽略的额外复杂度。我们的实验结果证明了，在 CTR 预测数据集和稠密分类数据集上，DCN 在模型精度和内存使用方面均优于 SOTA 算法。
引用
@article{arxiv.1708.05123,
title = {Deep & Cross Network for Ad Click Predictions},
author = {Ruoxi Wang and Bin Fu and Gang Fu and Mingliang Wang},
journal= {arXiv preprint arXiv:1708.05123},
year = {2017}
}
备注
In Proceedings of AdKDD and TargetAd, Halifax, NS, Canada, August, 14, 2017, 7 pages