表示学习辅助的点击率预测
机器学习
2019-07-22 v3 信息检索
机器学习
摘要
点击率（CTR）预测是在线广告系统中的一项关键任务。现有方法大多主要建模特征-CTR 关系，并受数据稀疏问题困扰。本文提出 DeepMCP 模型，通过建模其他类型的关系来学习更具信息量和统计可靠性的特征表示，从而提升 CTR 预测性能。具体而言，DeepMCP 包含三个部分：匹配子网络、相关子网络和预测子网络，分别建模用户-广告、广告-广告和特征-CTR 关系。当这些子网络在目标标签的监督下联合优化时，学习到的特征表示兼具良好的预测能力和表示能力。在两个大规模数据集上的实验表明，DeepMCP 优于多个最先进的 CTR 预测模型。
引用
@article{arxiv.1906.04365,
title = {Representation Learning-Assisted Click-Through Rate Prediction},
author = {Wentao Ouyang and Xiuwu Zhang and Shukui Ren and Chao Qi and Zhaojie Liu and Yanlong Du},
journal= {arXiv preprint arXiv:1906.04365},
year = {2019}
}
备注
Accepted by IJCAI 2019