#Paper Reading# Representation Learning-Assisted Click-Through Rate Prediction

论文题目: Representation Learning-Assisted Click-Through Rate Prediction
论文地址: https://arxiv.org/abs/1906.04365
论文发表于: arXiv 2019
论文所属单位: Alibaba

论文大体内容：
本文主要提出了一个联合学习的框架DeepMCP，对于传统的CTR预测任务，在使用User和Item的特征基础上，还加入了UI之间的关系，II之间的关系进行联合学习，从而得出更好的效果。

Motivation：
传统的网络只考虑到User和Item两者分开的特征，存在缺少联合特征和User、Item的Embedding学习不充分等问题。

Contribution：
本文作者在传统的CTR模型上（prediction subnet），增加matching subnet和correlation subnet，并对这3个网络进行联合学习，以达到更好的效果。

1. 本文作者提出的联合学习框架如下图。主要包括3个子网络：
①prediction subnet，传统的CTR模型，使用User和Item各自的特征进行训练；
②matching subnet，使用tower模型结构，最后一层FC的激活函数不使用ReLU，而是tanh，因为ReLU容易导致大部分是0；
③correlation subnet，借助图的方式去表征关系，使用skip-gram；

实验
2. Dataset
①Avito advertising dataset；
②Company advertising dataset；

3. Baseline
①LR；
②DNN；
③Wide&Deep；
④DeepFM；
等等；

8. 实验结果
AUC能提升1pp；
 

 

参考资料： 
[1] https://zhuanlan.zhihu.com/p/103587970

 

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！