用于点击率预测中冷启动广告的图元嵌入学习
信息检索
2021-05-20 v1 机器学习
摘要
点击率（CTR）预测是在线广告系统中最核心的任务之一。近期基于深度学习的模型利用特征嵌入与高阶数据非线性，在CTR预测中取得了显著成功。然而，这些模型在带有新ID的冷启动广告上表现不佳，其嵌入尚未被充分学习。本文提出图元嵌入（GME）模型，能够基于图神经网络与元学习快速学会如何为新广告ID生成理想的初始嵌入。先前工作从新广告自身出发解决该问题，却忽略了现有旧广告中可能包含的有用信息。相反，GMEs同时考虑两个信息源：新广告与现有旧广告。对于新广告，GMEs利用其关联属性。对于现有旧广告，GMEs首先构建图将旧广告与新广告连接，然后自适应地提炼有用信息。我们从不同视角提出三种具体的GMEs，以探索应使用何种信息及如何提炼信息。具体而言，GME-P使用预训练的邻居ID嵌入，GME-G使用生成的邻居ID嵌入，GME-A使用邻居属性。在三个真实世界数据集上的实验结果表明，相较于五种主流基于深度学习的CTR预测模型，GMEs在冷启动（即无可用训练数据）与预热（即收集到少量训练样本）场景下均能显著提升预测性能。GMEs也可应用于转化率（CVR）预测。
引用
@article{arxiv.2105.08909,
title = {Learning Graph Meta Embeddings for Cold-Start Ads in Click-Through Rate Prediction},
author = {Wentao Ouyang and Xiuwu Zhang and Shukui Ren and Li Li and Kun Zhang and Jinmei Luo and Zhaojie Liu and Yanlong Du},
journal= {arXiv preprint arXiv:2105.08909},
year = {2021}
}
备注
SIGIR 2021