NeSHFS：基于启发式特征选择的邻域搜索用于点击率预测
信息检索
2024-09-16 v1 人工智能
摘要
点击率（CTR）预测在在线广告和广告推荐系统中扮演着重要角色。在过去十年中，最大化CTR一直是模型开发和解决方案创建的主要焦点。因此，研究人员和从业者提出了各种模型和解决方案来增强CTR预测的有效性。现有文献大多侧重于捕捉隐式或显式特征交互。尽管隐式交互在一些研究中已被成功捕捉，但显式交互在通过提取低阶和高阶特征交互来实现高CTR方面仍面临挑战。不必要和不相关的特征会导致计算时间过长和预测性能低下。此外，某些特征可能对特定预测模型表现良好，而对其他模型则表现不佳。而且，特征分布可能因流量变化而波动。最重要的是，在实时生产环境中，资源有限，推理时间与训练时间同样关键。由于所有这些原因，特征选择是提升CTR预测模型性能的最重要因素之一。简单的基于过滤器的特征选择算法表现不佳且不够充分。需要一种有效且高效的特征选择算法，在实时CTR预测过程中持续筛选出最有用的特征。在本文中，我们提出了一种名为基于启发式特征选择的邻域搜索（NeSHFS）的启发式算法，以提升CTR预测性能，同时降低维度和训练时间成本。我们在三个公开数据集上进行了全面实验，以验证所提出方案的有效性和效率。
关键词
引用
@article{arxiv.2409.08703,
title = {NeSHFS: Neighborhood Search with Heuristic-based Feature Selection for Click-Through Rate Prediction},
author = {Dogukan Aksu and Ismail Hakki Toroslu and Hasan Davulcu},
journal= {arXiv preprint arXiv:2409.08703},
year = {2024}
}