面向更深、更轻量与可解释的跨网络 CTR 预测
信息检索
2023-11-09 v1
摘要
点击率（CTR）预测在推荐系统与自然在线广告中起着关键作用。有效建模特征交互以提升 CTR 模型预测性能至关重要。然而，现有方法面临三个显著挑战。首先，尽管多数方法能自动捕获高阶特征交互，其性能随特征交互阶数增加而趋于下降。其次，现有方法缺乏对预测结果提供可信解释的能力，尤其对高阶特征交互，这限制了预测的可信度。第三，许多方法受冗余参数困扰，尤其在嵌入层。本文提出一种称为门控深度交叉网络（GDCN）的新方法以及一种字段级维度优化（FDO）方法来应对这些挑战。作为 GDCN 的核心结构，门控交叉网络（GCN）捕获显式高阶特征交互，并在每一阶通过信息门动态过滤重要交互。此外，我们使用 FDO 方法基于各字段重要性学习压缩维度。在五个数据集上的综合实验证明了 GDCN 的有效性、优越性与可解释性。此外，我们验证了 FDO 在学习不同维度与减少模型参数方面的有效性。代码见 \url{https://github.com/anonctr/GDCN}。
引用
@article{arxiv.2311.04635,
title = {Towards Deeper, Lighter and Interpretable Cross Network for CTR Prediction},
author = {Fangye Wang and Hansu Gu and Dongsheng Li and Tun Lu and Peng Zhang and Ning Gu},
journal= {arXiv preprint arXiv:2311.04635},
year = {2023}
}
备注
This paper is accepted by Proceedings of the 32nd ACM International Conference on Information and Knowledge Management (CIKM '23). In the Arxiv version, we add additional designs with associated experiments