摘要：为解决基线模型(Fi-GNN)特征交互模块设计不合理的问题,提出一种基于改进Fi-GNN模型的点击率预测方法(Fi-GNN-V2)。针对特征交互模块的邻接矩阵没有考虑到异构节点间的多元关系,在计算异构节点间相互作用的权重时增加边类型的嵌入向量,得到更合理的邻接矩阵;通过多头聚合多个子空间的邻居信息学习不同方式的特征交互;融合二阶以及三阶特征组合解决特征交互模块造成特征域的语义信息丢失问题,设计注意力模块抑制无用特征组合对模型学习的干扰;为进一步提升模型的性能,结合深度神经网络隐式捕捉高阶非线性的特征组合进行联合预测。实验结果表明,该方法优于其它主流点击率预测模型。

摘要：点击率预测是在线广告和推荐系统的基本任务之一.主流模型通常通过对高阶和低阶特征进行特征交互建模来提升性能和泛化能力.然而,许多模型往往仅学习每个特征的固定表示,而忽视了特征在不同上下文中的重要性,并且一些模型结构过于简单.因此,本文提出了特征细化卷积神经网络融合场矩阵分解机(FRCNN-F)模型,以解决这些问题.首先,在特征细化网络(FRNet)中融合了卷积神经网络的特征生成模块,利用其在局部模式下重新组合生成新特征的优势,提升了重要特征选择能力.其次,设计了场矩阵分解机,使模型能够感知上下文并通过不同场的交互进行显示建模,从而增加了子模型的组合方式.最后,通过在Frappe和MovieLens两个公开数据集上对比实验,实验结果表明,FRCNN-F模型相比基线FRNet在AUC得分分别提升了0.32%和0.40%,交叉熵损失函数Logloss分别降低了1.50%和1.11%.该研究对于实现广告的精准投放和个性化推荐具有实际应用的价值.

摘要：点击率预测是推荐系统和在线广告中的一项基本任务,大多主流模型主要通过高阶特征和低阶特征交互建模以提高模型性能和泛化能力,然而很多模型只学习了每个特征的固定表示而没有考虑在不同上下文中每个特征的重要性。针对基线模型(Feature Refinement Network,FRNet)在不同上下文无法灵活处理重要特征选择,并且缺乏良好解释性的问题,提出了一种特征细化分层注意力图神经网络(Feature Refinement Graph Neural Network and Hierarchical Attention,FRGNN-HA)模型。首先,在基线模型中融合图神经网络结构,利用图神经网络聚合邻节点和自身节点特征以实现在非欧式空间新节点的表示向量的更新,从而提升在不同上下文的重要特征选择能力和良好的解释性。其次,在图神经网络的基础上设计分层注意力网络,让模型可以更好地自适应关注重要上下文信息,并且可以在噪声和复杂场景下依然保持较好的性能。最后,FRGNN-HA通过在Criteo、Frappe和MovieLens这3个数据集上对比实验结果表明,与基线FRNet模型相比,曲线下的面积(Area Under Curve,AUC,记为AUC)指标分别提升了0.07%、0.29%和0.06%,交叉熵损失函数Logloss(记为Lloss)分别降低了0.08%、0.81%和1.09%。