FINT：用于 CTR 预测的字段感知交互神经网络
信息检索
2022-07-12 v3 计算机视觉与模式识别
摘要
作为在线广告与营销的关键组件，点击率（CTR）预测已引起工业界与学术界的大量关注。近来，深度学习已成为 CTR 的主流方法选择。尽管已有持续努力，现有方法仍存在若干挑战。一方面，特征间的高阶交互未被充分探索。另一方面，高阶交互可能忽略来自低阶字段的语义信息。本文中，我们提出一种新颖的预测方法，名为 FINT，其采用字段感知交互层，在捕获高阶特征交互的同时保留低阶字段信息。为实证考察 FINT 的有效性与鲁棒性，我们在三个真实数据库上进行了广泛实验：KDD2012、Criteo 和 Avazu。所得结果表明，与现有方法相比，FINT 能显著提升性能，且不增加所需计算量。此外，通过 A/B 测试，所提方法使某大型在线视频应用的广告收入提升约 2.72%。为更好推动 CTR 领域研究，我们在 https://github.com/zhishan01/FINT 发布了代码及参考实现。
引用
@article{arxiv.2107.01999,
title = {FINT: Field-aware INTeraction Neural Network For CTR Prediction},
author = {Zhishan Zhao and Sen Yang and Guohui Liu and Dawei Feng and Kele Xu},
journal= {arXiv preprint arXiv:2107.01999},
year = {2022}
}
备注
5 pages, accepted by ICASSP 2022