利用上下文感知特征表示学习增强 CTR 预测
信息检索
2022-12-02 v1
摘要
CTR 预测已在现实世界中广泛应用。许多方法通过建模特征交互来提升性能。然而，大多数方法仅为每个特征学习一个固定表示，未考虑不同上下文下各特征重要性的变化，导致性能不佳。近来，若干方法尝试为特征表示学习向量级权重以解决固定表示问题。但它们仅产生线性变换来精炼固定特征表示，仍不足以灵活捕捉不同上下文下各特征重要性的变化。在本文中，我们提出一个名为特征精炼网络（FRNet）的新模块，它在不同上下文下为每个特征学习位级（bit-level）的上下文感知特征表示。FRNet 由两个关键组件构成：1）信息提取单元（IEU），捕获上下文信息与跨特征关系以引导上下文感知特征精炼；2）互补选择门（CSGate），以位级权重自适应地整合 IEU 中学习的原始与互补特征表示。值得注意的是，FRNet 与现有 CTR 方法正交，因此可应用于许多现有方法以提升其性能。我们进行了全面的实验来验证 FRNet 的有效性、效率与兼容性。
引用
@article{arxiv.2204.08758,
title = {Enhancing CTR Prediction with Context-Aware Feature Representation Learning},
author = {Fangye Wang and Yingxu Wang and Dongsheng Li and Hansu Gu and Tun Lu and Peng Zhang and Ning Gu},
journal= {arXiv preprint arXiv:2204.08758},
year = {2022}
}
备注
SIGIR 2022