GIFT:用于冷启动视频点击率预测的图引导特征迁移
信息检索
2022-09-14 v2 机器学习
摘要
近年来,在淘宝等电子商务平台上,短视频经历了快速增长。为保证内容的新鲜度,平台每天需发布大量新视频,使得常规点击率(CTR)预测方法饱受物品冷启动问题之苦。本文中,我们提出 GIFT,一种高效的图引导特征迁移系统,以充分利用已预热视频的丰富信息来补偿冷启动视频。具体而言,我们建立一张包含物理与语义链接的异构图,以引导从已预热视频到冷启动视频的特征迁移过程。物理链接表示显式关系,而语义链接衡量两个视频多模态表征的邻近度。我们精心设计了特征迁移函数,以感知来自图上不同元路径的各类被迁移特征(如 id 表征与历史统计)。我们在大型真实数据集上进行了广泛实验,结果表明我们的 GIFT 系统显著优于 SOTA 方法,并在淘宝 App 首页带来 6.82% 的 CTR 提升。
引用
@article{arxiv.2202.11525,
title = {GIFT: Graph-guIded Feature Transfer for Cold-Start Video Click-Through Rate Prediction},
author = {Sihao Hu and Yi Cao and Yu Gong and Zhao Li and Yazheng Yang and Qingwen Liu and Shouling Ji},
journal= {arXiv preprint arXiv:2202.11525},
year = {2022}
}