KAST:用于点击率预测的知识感知自适应会话多主题网络
信息检索
2022-10-10 v1
摘要
捕捉用户兴趣的演化趋势对推荐系统与广告系统均十分重要,用户行为序列已成功应用于点击率(CTR)预测问题。然而,若基于物品级行为学习用户兴趣,性能可能受以下两方面问题影响。首先,由于用户行为往往多样,行为序列中可能包含一些偶然离群值。其次,用户行为间的时间间隔跨度随机且不规律,从自然语言处理借用的基于 RNN 的模块并非完全自适应。为处理这两方面的问题,我们提出了知识感知自适应会话多主题网络(KAST)。它能从整个用户行为序列中自适应地切分用户会话,并在同一会话中保持相似意图。此外,为提升会话切分与表示的质量,引入了知识感知模块,从而能以端到端方式提取用户-物品交互的结构信息,并将带有这些信息的基于边界的损失并入主损失。通过在公开基准上的大量实验,我们证明 KAST 在 CTR 预测上优于现有最优方法,并对关键模块与超参数进行了评估。
引用
@article{arxiv.2210.03624,
title = {KAST: Knowledge Aware Adaptive Session Multi-Topic Network for Click-Through Rate Prediction},
author = {Dike Sun and Kai Liu and ShengKai Yang},
journal= {arXiv preprint arXiv:2210.03624},
year = {2022}
}