EulerNet：基于欧拉公式的自适应特征交互学习用于 CTR 预测
信息检索
2023-09-13 v3
摘要
学习有效的高阶特征交互在 CTR 预测任务中非常关键。然而，在在线电商平台中，面对海量特征计算高阶特征交互非常耗时。大多数现有方法手动设计最大阶数，并进一步从中过滤掉无用的交互。尽管它们降低了由高阶特征组合指数增长引起的高计算成本，但仍因受限特征阶数的次优学习而遭受模型能力退化的困扰。在保持模型能力的同时保持其高效是一个技术挑战，尚未得到充分解决。为解决此问题，我们提出了一种自适应特征交互学习模型，命名为 EulerNet，其中特征交互通过依据欧拉公式进行空间映射而在复向量空间中被学习。EulerNet 将特征交互的指数幂转换为复特征模与相位的简单线性组合，使得以高效方式自适应学习高阶特征交互成为可能。此外，EulerNet 将隐式与显式特征交互整合进统一架构，实现了相互增强并大幅提升了模型能力。该网络可完全从数据中学习，无需预设计的特征交互形式或阶数。在三个公开数据集上进行的广泛实验证明了我们方法的有效性与高效性。我们的代码可在 https://github.com/RUCAIBox/EulerNet 获取。
引用
@article{arxiv.2304.10711,
title = {EulerNet: Adaptive Feature Interaction Learning via Euler's Formula for CTR Prediction},
author = {Zhen Tian and Ting Bai and Wayne Xin Zhao and Ji-Rong Wen and Zhao Cao},
journal= {arXiv preprint arXiv:2304.10711},
year = {2023}
}
备注
10 pages, 7 figures, accepted for publication in SIGIR'23