面向推荐系统转化率预测的多层深度级联树
机器学习
2018-11-20 v3 机器学习
摘要
为现代电子商务平台开发有效且高效的推荐方法极具挑战性。一般而言，推荐系统包含“点击率预测”（CTR）和“转化率预测”（CVR）两个核心模块，其中 CVR 模块是影响最终购买量的直接关键因素。然而，由于其稀疏性本质，CVR 预测确实非常困难。本文提出一种新颖的决策树集成方法——多层深度级联树（ldcTree），以解决该问题。该方法通过堆叠梯度提升决策树（GBDT）来利用深度级联结构，从而有效学习特征表示。此外，我们提出将前一层 GBDT 中每棵树的交叉熵作为下一层 GBDT 的输入特征表示，其具有清晰的解释性，即下一层 GBDT 中从根节点到叶节点的遍历对应于前一层 GBDT 中若干遍历的组合。深度级联结构与组合规则使所提出的 ldcTree 具备更强的分布式特征表示能力。受集成学习启发，我们进一步提出集成 ldcTree（E-ldcTree）以增强模型多样性并提升表示能力。最后，我们提出一种基于 E-ldcTree 的改进特征学习方法（F-EldcTree），以充分利用由预训练 GBDT 模型识别出的弱相关与强相关特征。离线数据集与在线部署的实验结果均证明了所提方法的有效性。
引用
@article{arxiv.1805.09484,
title = {Multi-Level Deep Cascade Trees for Conversion Rate Prediction in Recommendation System},
author = {Hong Wen and Jing Zhang and Quan Lin and Keping Yang and Pipei Huang},
journal= {arXiv preprint arXiv:1805.09484},
year = {2018}
}
备注
8 pages, 5 figures, To appear in AAAI'2019