用于点击率预测的动态参数化网络
信息检索
2021-11-10 v1 人工智能
摘要
在现代推荐系统的点击率（CTR）预测中，有效且高效地学习捕获特征关系至关重要。大多数现有 CTR 预测方法或通过繁琐的手动设计的低阶交互、或通过不灵活且低效的高阶交互来建模此类关系，二者均需额外的 DNN 模块用于隐式交互建模。本文中，我们提出一种新颖的插件式操作——动态参数化操作（DPO），以逐实例地同时学习显式与隐式交互。我们表明，将 DPO 引入 DNN 模块和注意力模块可分别有益于 CTR 预测中的两项主要任务，增强基于特征的建模的自适应性，并通过逐实例局部性改进用户行为建模。我们的动态参数化网络在公开数据集和真实世界生产数据集的离线实验以及在线 A/B 测试中显著优于最先进方法。此外，所提动态参数化网络已部署于全球最大电子商务公司之一的排序系统中，服务于数亿活跃用户的主要流量。
引用
@article{arxiv.2111.04983,
title = {Dynamic Parameterized Network for CTR Prediction},
author = {Jian Zhu and Congcong Liu and Pei Wang and Xiwei Zhao and Guangpeng Chen and Junsheng Jin and Changping Peng and Zhangang Lin and Jingping Shao},
journal= {arXiv preprint arXiv:2111.04983},
year = {2021}
}