点击率预测中的特征嵌入
机器学习
2022-09-21 v1
摘要
我们着手解决特征嵌入挑战，以改进点击率预测流程。我们选取逻辑回归、因子分解机和深度因子分解机三种模型作为基线，并提出五种不同特征嵌入模块：嵌入缩放、FM嵌入、嵌入编码、NN嵌入与嵌入重加权模块。这些嵌入模块作为改进基线模型特征嵌入的手段，并以端到端方式与模型其余参数一同训练。各模块被单独添加至基线模型以得到新的增强模型。我们在用于基准评测点击率预测模型的公开数据集上测试了增强模型的预测性能。结果表明，若干所提嵌入模块在训练时间未急剧增加的情况下显著提升了预测性能。
引用
@article{arxiv.2209.09481,
title = {Feature embedding in click-through rate prediction},
author = {Samo Pahor and Davorin Kopič and Jure Demšar},
journal= {arXiv preprint arXiv:2209.09481},
year = {2022}
}
备注
25 pages, 8 figures, 7 tables