Fi-GNN:通过图神经网络建模特征交互用于CTR预测
信息检索
2020-07-27 v2 机器学习
摘要
点击率(CTR)预测是在线广告和推荐系统等网络应用中的一项基本任务,其特征通常呈多字段形式。该任务的关键在于建模不同特征字段之间的特征交互。近期提出的基于深度学习的模型遵循一种通用范式:首先将原始稀疏输入的多字段特征映射为稠密字段嵌入向量,然后简单拼接在一起输入深度神经网络(DNN)或其他专门设计的网络以学习高阶特征交互。然而,特征字段简单的\emph{非结构化组合}不可避免地限制了以足够灵活和显式的方式建模不同字段间复杂交互的能力。在本工作中,我们直观地以图结构表示多字段特征,其中每个节点对应一个特征字段,不同字段可通过边进行交互。因此,建模特征交互的任务可转化为建模对应图上的节点交互。为此,我们设计了一种新颖的模型——特征交互图神经网络(Feature Interaction Graph Neural Networks, Fi-GNN)。借助图强大的表示能力,我们所提模型不仅能以灵活显式的方式建模复杂特征交互,还能为CTR预测提供良好的模型解释性。在两个真实世界数据集上的实验结果表明其优于现有最优方法。
引用
@article{arxiv.1910.05552,
title = {Fi-GNN: Modeling Feature Interactions via Graph Neural Networks for CTR Prediction},
author = {Zekun Li and Zeyu Cui and Shu Wu and Xiaoyu Zhang and Liang Wang},
journal= {arXiv preprint arXiv:1910.05552},
year = {2020}
}
备注
10 pages, accepted by the 2019 Conference on Information and Knowledge Management (CIKM-2019)