用于展示广告中点击率预测的场加权因子分解机
机器学习
2020-03-10 v2 机器学习
摘要
点击率（CTR）预测是在线展示广告中的一项关键任务。CTR预测所涉及的数据通常是多字段类别数据，即每个特征都是类别型的且属于且仅属于一个字段。此类数据的一个有趣特征是，来自一个字段的特征通常与来自不同其他字段的特征以不同方式交互。近来，场感知因子分解机（FFMs）通过显式建模这种差异，成为CTR预测中性能最佳的模型之一。然而，FFMs中的参数数量级为特征数乘以字段数，这在现实生产系统中是不可接受的。在本文中，我们提出场加权因子分解机（FwFMs），以内存效率高得多的方式建模不同字段之间的不同特征交互。我们的实验评估表明，FwFMs仅使用FFMs 4%的参数即可达到具有竞争力的预测性能。在使用相同参数数量时，FwFMs在两个真实CTR预测数据集上可分别带来比FFMs高0.92%和0.47%的AUC提升。
引用
@article{arxiv.1806.03514,
title = {Field-weighted Factorization Machines for Click-Through Rate Prediction in Display Advertising},
author = {Junwei Pan and Jian Xu and Alfonso Lobos Ruiz and Wenliang Zhao and Shengjun Pan and Yu Sun and Quan Lu},
journal= {arXiv preprint arXiv:1806.03514},
year = {2020}
}