用于点击率预测的正则化对抗采样与深度时间感知注意力
机器学习
2019-11-05 v1 信息检索
机器学习
摘要
提升点击率（CTR）预测的性能仍是在线广告系统的核心任务之一。随着深度学习的兴起，具有深度网络的CTR预测模型显著增强了模型能力。在深度CTR模型中，利用用户的历史数据对于学习用户行为和兴趣至关重要。由于现有CTR预测工作在嵌入用户历史点击记录时忽视了时间信号的重要性，我们提出了一种时间感知注意力模型，该模型显式地使用绝对时间信号来表达用户的周期性行为，并使用相对时间信号来表达物品之间的时间关系。此外，我们提出了一种用于负采样的正则化对抗采样策略，该策略缓解了CTR数据的分类不平衡问题，并能够利用观测到的负CTR样本所提供的强引导。该对抗采样策略显著提高了训练效率，并且可以与时间感知注意力模型无缝联合训练。实验在来自站内和站外广告位的真实世界CTR数据集上进行。
引用
@article{arxiv.1911.00886,
title = {Regularized Adversarial Sampling and Deep Time-aware Attention for Click-Through Rate Prediction},
author = {Yikai Wang and Liang Zhang and Quanyu Dai and Fuchun Sun and Bo Zhang and Yang He and Weipeng Yan and Yongjun Bao},
journal= {arXiv preprint arXiv:1911.00886},
year = {2019}
}
备注
CIKM 2019 Long Paper, 10 pages