用于应用广告点击率与安装预测的加权多级特征分解
信息检索
2023-08-08 v1 机器学习
摘要
本文概述了我们在 ACM RecSys Challenge 2023 中以 ISISTANITOS 团队身份所使用的方法。该竞赛由 ShareChat 组织，涉及预测用户点击应用广告和/或安装应用的概率，以改进深度漏斗优化并特别关注用户隐私。我们提出的方法将点击和安装的概率推断为两个不同但相关的任务。因此，该模型为每个任务及一组共享特征设计了特定的特征集。我们的模型被称为加权多级特征分解（Weighted Multi-Level Feature Factorization），因为它考虑了不同阶数特征的交互，其中阶数与神经网络中的深度相关联。给定任务的预测通过在不同层级上组合任务特定特征和共享特征来生成。我们的提交在竞赛学术赛道的最终结果中获得了第 11 名及 55 的总分。我们在 https://github.com/knife982000/RecSys2023Challenge 发布了源代码。
引用
@article{arxiv.2308.02568,
title = {Weighted Multi-Level Feature Factorization for App ads CTR and installation prediction},
author = {Juan Manuel Rodriguez and Antonela Tommasel},
journal= {arXiv preprint arXiv:2308.02568},
year = {2023}
}