一模型服务所有：面向多领域 CTR 预测的星型拓扑自适应推荐器
信息检索
2021-11-03 v5 机器学习
摘要
传统的工业推荐器通常在单一业务领域上训练，然后服务于该领域。然而，在大型商业平台中，推荐器往往需要对多个业务领域进行点击率（CTR）预测。不同领域具有重叠的用户群体和物品，因此存在共性。由于特定用户群体存在差异且用户行为在不同业务领域中可能变化，也存在区别。这些区别导致了领域特定的数据分布，使得单一共享模型难以在所有领域上表现良好。为了学习一个有效且高效、能同时处理多个领域的 CTR 模型，我们提出了星型拓扑自适应推荐器（STAR）。具体而言，STAR 具有星型拓扑，由共享的中心参数和领域特定参数组成。共享参数用于学习所有领域的共性，领域特定参数捕捉领域差异以实现更精细的预测。给定来自不同业务领域的请求，STAR 可根据领域特征自适应调整其参数。来自生产数据的实验结果验证了所提 STAR 模型的优越性。自 2020 年起，STAR 已部署于阿里巴巴的展示广告系统，在 CTR 上平均提升 8.0%，在 RPM（每千次展示收入）上平均提升 6.0%。
引用
@article{arxiv.2101.11427,
title = {One Model to Serve All: Star Topology Adaptive Recommender for Multi-Domain CTR Prediction},
author = {Xiang-Rong Sheng and Liqin Zhao and Guorui Zhou and Xinyao Ding and Binding Dai and Qiang Luo and Siran Yang and Jingshan Lv and Chi Zhang and Hongbo Deng and Xiaoqiang Zhu},
journal= {arXiv preprint arXiv:2101.11427},
year = {2021}
}
备注
Accepted at CIKM 2021