通过学习项目特定特征交互来温暖冷启动 CTR 预测
信息检索
2024-07-16 v1
摘要
在推荐系统中，新项目不断引入，最初缺乏交互记录，但随着时间的推移逐渐积累。准确预测这些项目的点击-through rate (CTR) 对提高收入和用户体验至关重要。虽然现有方法侧重于增强 CTR 模型中新项目的 ID 嵌入，但它们倾向于采用全局特征交互方法，常常使数据稀疏的新项目被数据丰富的项目所淹没。为此，我们提出了 EmerG 方法，通过学习项目特定的特征交互模式来温暖冷启动 CTR 预测。EmerG 使用超网络生成基于项目特征的项目特定特征图，然后由图神经网络 (GNN) 处理。该 GNN 经过特殊设计，可通过自定义消息传递机制在任何阶数上捕获特征交互。我们进一步设计了元学习策略，在各种项目 CTR 预测任务中优化超网络和 GNN 的参数，同时仅调整每个任务中的最小集合的项目特定参数。该策略有效减少了处理有限数据时的过拟合风险。广泛的基准实验验证，EmerG 在没有、少量和足够数量的新项目实例时均表现出色。
引用
@article{arxiv.2407.10112,
title = {Warming Up Cold-Start CTR Prediction by Learning Item-Specific Feature Interactions},
author = {Yaqing Wang and Hongming Piao and Daxiang Dong and Quanming Yao and Jingbo Zhou},
journal= {arXiv preprint arXiv:2407.10112},
year = {2024}
}
备注
KDD 2024