用于点击率预测的多面锥分类器
信息检索
2024-06-07 v1 机器学习
摘要
本文介绍了一种用于工业推荐系统中点击率（CTR）预测的新方法，解决了数值不平衡和几何不对称的内在挑战。这些挑战源于不平衡的数据集，其中正例（点击）样本的出现频率低于负例（非点击）样本，以及几何不对称分布，其中正样本呈现视觉上连贯的模式，而负样本则表现出更大的多样性。为了应对这些挑战，我们使用了一个基于多面锥函数的深度神经网络分类器。该分类器在精神上类似于单类分类器，它返回紧凑的多面体接受区域，以将正类样本与具有多样分布的负样本分开。我们进行了大量实验，使用最先进的（SOTA）CTR 预测模型在四个公共数据集（即 Criteo、Avazu、MovieLens 和 Frappe）上测试了所提出的方法。实验评估突显了我们提出的方法相对于在 CTR 预测任务中广泛使用的二元交叉熵（BCE）损失的优越性。
引用
@article{arxiv.2406.03892,
title = {Polyhedral Conic Classifier for CTR Prediction},
author = {Beyza Turkmen and Ramazan Tarik Turksoy and Hasan Saribas and Hakan Cevikalp},
journal= {arXiv preprint arXiv:2406.03892},
year = {2024}
}