用于点击率预测的深度位置交互网络

点击率（CTR）预测在在线广告和推荐系统中起着重要作用。在实践中，CTR模型的训练依赖于点击数据，而由于较高位置天然具有较高CTR，这类数据本身偏向于较高位置。现有方法如固定位置推断的实际位置训练和无位置推断的逆倾向加权训练在一定程度上缓解了偏差问题。然而，训练与推断对位置信息的不同处理不可避免地导致不一致性和次优的线上性能。同时，这些方法的基本假设——即点击概率等于浏览概率与相关概率的乘积——过于简化，不足以建模位置与其他信息之间的丰富交互。本文提出一种深度位置交互网络（DPIN），以高效组合所有候选物品与位置来估计各位置的CTR，在 serving 性能限制下实现离线在线一致，并建模位置、用户、上下文与物品之间的深度非线性交互。基于我们对CTR预测中位置偏差的新处理，我们提出一种名为PAUC（位置级AUC）的新评估指标，适用于衡量给定位置处的排序质量。通过在真实世界数据集上的大量实验，我们实证表明该方法在解决位置偏差问题上既有效又高效。我们还将该方法部署于生产环境，并在严格的A/B测试中观察到相较高度优化的基线有统计显著的提升。