FiBiNET：结合特征重要性与双线性特征交互的点击率预测模型

广告与信息流排序对Facebook、新浪微博等许多互联网公司至关重要。在众多现实世界的广告与信息流排序系统中，点击率（CTR）预测起着核心作用。该领域已有许多提出的模型，如逻辑回归、基于树的模型、基于因子分解机的模型以及基于深度学习的CTR模型。然而，许多当前工作以简单方式计算特征交互（如Hadamard积与内积），且较少关注特征的重要性。本文提出一种名为FiBiNET（即Feature Importance and Bilinear feature Interaction NETwork的缩写）的新模型，以动态学习特征重要性与细粒度特征交互。一方面，FiBiNET可通过Squeeze-Excitation网络（SENET）机制动态学习特征重要性；另一方面，它能通过双线性函数有效学习特征交互。我们在两个真实世界数据集上进行了大量实验，表明我们的浅层模型优于其他浅层模型如因子分解机（FM）与域感知因子分解机（FFM）。为进一步提升性能，我们将一个经典深度神经网络（DNN）组件与浅层模型结合成为深层模型。深层FiBiNET持续优于其他最先进的深层模型如DeepFM与极端深度因子分解机（XdeepFM）。