关于CTR预测中概念漂移的适应性研究
信息检索
2023-02-24 v2 人工智能
机器学习
摘要
点击率（CTR）预测是网页搜索、推荐系统和在线广告展示中的关键任务。在实际应用中，CTR模型常服务于高速的用户生成数据流，其底层分布随时间快速变化。概念漂移问题不可避免地存在于这些流数据中，并可能因时效性问题导致性能退化。为保证模型时效性，增量学习已被广泛采用于实际生产系统。然而，增量更新难以在CTR模型对快速变化趋势的捕捉能力与保留通用知识的泛化能力之间取得平衡。本文提出自适应混合专家（AdaMoE），一种通过CTR预测数据流中统计加权策略来缓解概念漂移问题的新框架。在基准数据集与真实工业数据集上的大量离线实验以及在线A/B测试表明，我们的AdaMoE显著优于所有被考虑的增量学习框架。
引用
@article{arxiv.2204.05101,
title = {On the Adaptation to Concept Drift for CTR Prediction},
author = {Congcong Liu and Yuejiang Li and Fei Teng and Xiwei Zhao and Changping Peng and Zhangang Lin and Jinghe Hu and Jingping Shao},
journal= {arXiv preprint arXiv:2204.05101},
year = {2023}
}