FAN：面向电商推荐中点击率预测的疲劳感知网络
信息检索
2023-04-11 v1 人机交互
机器学习
摘要
由于点击通常含有大量噪声，越来越多的研究致力于对隐式负向用户行为（即未点击）建模。然而，它们要么依赖显式负向用户行为（如不喜欢），要么简单地将未点击视为负反馈，未能全面学习负向用户兴趣。在此情形下，用户可能因看到过多相似推荐而产生疲劳。本文中，我们提出疲劳感知网络（FAN），一种直接从非点击中感知用户疲劳的新型 CTR 模型。具体而言，我们首先对由非点击生成的时间序列施加傅里叶变换，得到包含用户疲劳全面信息的频谱。随后该频谱由目标物品的类别信息调制，以建模不同类别下疲劳上限与用户耐心均不同的偏置。此外，采用门控网络建模用户疲劳的置信度，并设计辅助任务以引导用户疲劳的学习，从而可获得良好学习的疲劳表示，并将其与用户兴趣结合用于最终 CTR 预测。真实数据集上的实验结果验证了 FAN 的优越性，线上 A/B 测试也表明 FAN 显著优于代表性 CTR 模型。
引用
@article{arxiv.2304.04529,
title = {FAN: Fatigue-Aware Network for Click-Through Rate Prediction in E-commerce Recommendation},
author = {Ming Li and Naiyin Liu and Xiaofeng Pan and Yang Huang and Ningning Li and Yingmin Su and Chengjun Mao and Bo Cao},
journal= {arXiv preprint arXiv:2304.04529},
year = {2023}
}