MOEF：在频域建模场景演化用于促销感知的点击率预测
机器学习
2023-03-31 v6 信息检索
摘要
促销在电子商务中正变得愈发重要和普遍，用以吸引客户并提升销量，这导致场景频繁变化，并驱动用户表现出不同行为。在此情形下，由于即将到来的场景分布不确定性，大多数现有点击率（CTR）模型无法很好地泛化至在线服务。本文提出一种名为MOEF的新型CTR模型，用于场景频繁变化下的推荐。首先，我们设计了一条由在线业务场景生成的场景信号所组成的时间序列。由于场景信号在频域更具区分性，我们对滑动时间窗上的时间序列施加傅里叶变换，得到频谱序列，随后由场景演化层（OEL）处理。以此方式，可学习高阶场景表示以应对在线分布不确定性。此外，我们采用多个专家从多方面学习特征表示，并由场景表示通过注意力机制引导。相应地，针对不同场景自适应地获得特征表示混合，以预测最终CTR。在真实数据集上的实验结果验证了MOEF的优越性，在线A/B测试也表明MOEF显著优于代表性CTR模型。
引用
@article{arxiv.2112.13747,
title = {MOEF: Modeling Occasion Evolution in Frequency Domain for Promotion-Aware Click-Through Rate Prediction},
author = {Xiaofeng Pan and Yibin Shen and Jing Zhang and Xu He and Yang Huang and Hong Wen and Chengjun Mao and Bo Cao},
journal= {arXiv preprint arXiv:2112.13747},
year = {2023}
}