XCrossNet：面向特征结构的点击率预测学习
信息检索
2021-04-23 v1 人工智能
摘要
点击率（CTR）预测是当今商业推荐系统的核心任务。特征交叉作为 CTR 预测研究的主线，已展现出提升预测性能的可行路径。尽管各类模型能够无需人工特征工程即可学习特征交互，它们很少尝试针对不同特征结构分别学习表示。特别地，它们主要关注交叉稀疏特征的建模，而忽略对交叉稠密特征的专门表示。受此启发，我们提出一种新颖的极致交叉网络（Extreme Cross Network，简称 XCrossNet），旨在以显式方式学习稠密与稀疏特征交互。XCrossNet 作为一种面向特征结构的模型，带来更具表达力的表示与更精准的 CTR 预测，其不仅显式且可解释，而且时间高效、易于实现。在 Criteo Kaggle 数据集上的实验研究表明，XCrossNet 在效果与效率上均较最先进（SOTA）模型有显著提升。
引用
@article{arxiv.2104.10907,
title = {XCrossNet: Feature Structure-Oriented Learning for Click-Through Rate Prediction},
author = {Runlong Yu and Yuyang Ye and Qi Liu and Zihan Wang and Chunfeng Yang and Yucheng Hu and Enhong Chen},
journal= {arXiv preprint arXiv:2104.10907},
year = {2021}
}