通过显式特征增强提升跨域点击率预测
信息检索
2024-02-20 v2
摘要
跨域 CTR（CDCTR）预测是一项重要的研究课题，研究如何利用相关域中有意义的数据来辅助目标域的 CTR 预测。大多数现有 CDCTR 工作设计隐式方式跨域迁移知识，例如通过参数共享来正则化目标域的模型训练。更有效的是，近期研究者提出显式技术来提取用户兴趣知识并将其迁移至目标域。然而，所提方法主要面临两个问题：1）通常需要一个超级域，即极大的源域，以覆盖目标域的大部分用户或物品；2）所提取的用户兴趣知识是静态的，而不管目标域中的上下文如何。这些局限促使我们开发一种更灵活高效的技术来显式迁移知识。在本工作中，我们提出一种跨域增强网络（CDAnet），能够在两个域之间执行显式知识迁移。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。翻译网络从两个域计算潜在特征，并通过设计的跨监督特征翻译器学习目标域中每个输入的跨域知识。随后，增强网络利用显式跨域知识作为增强信息来提升目标域 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线上 A/B 测试，带来了 0.11 个绝对点的 CTR 提升、0.64% 的相对成交增长和 1.26% 的相对 GMV 提升。
引用
@article{arxiv.2312.00078,
title = {Enhancing Cross-domain Click-Through Rate Prediction via Explicit Feature Augmentation},
author = {Xu Chen and Zida Cheng and Jiangchao Yao and Chen Ju and Weilin Huang and Jinsong Lan and Xiaoyi Zeng and Shuai Xiao},
journal= {arXiv preprint arXiv:2312.00078},
year = {2024}
}
备注
accepted by WWW 2024. arXiv admin note: substantial text overlap with arXiv:2305.03953