论文题目: Learning Graph Meta Embeddings for Cold-Start Ads in Click-Through Rate Prediction
论文地址: https://arxiv.org/abs/2105.08909
论文发表于: SIGIR 2021(CCF A类会议)
论文所属单位: Alibaba
论文大体内容:
本文主要提出了GME(Graph Meta Embedding)模型来解决item冷启动问题;
Motivation:
现有模型冷启动问题解决的不够好;
Contribution:
①提出item冷启动解决的2个方向:新item自身属性、新item与老item之间的联系信息;
②提出GME模型;
③实验取得收益;
1. item冷启动CTR模型的常见结构如下:
2. 本文提出2个优化方向用于新item冷启动:
①新item本身的固有属性;
②新item与老item之间的关系;
3. 本文对应的2种优化方式是:
①EG(embedding generator):通过静态属性生成embedding;
②GAT(graph attention network):通过相邻节点生成embedding;
4. GAT中相邻节点的生成方式:根据新item的属性,在倒排拉链中找neighbor
5. 作者提出了3种GME模型:
①GME-P:使用EG生成新item的embedding g0,GAT中的相邻节点直接使用已有的embedding pi;
-缺点:相邻节点embedding是随机初始化的,g0和pi直接存在gap;
②GME-G:使用EG生成新item的embedding g0,GAT中的相邻节点embedding pi也使用EG生成;
-缺点:重复使用EG会传播噪声;
③GME-A:不直接使用id embedding,而是使用属性embedding,另外将EG放到最后,避免信息损失;
实验
6. Dataset
①MovieLens-1M
②Taobao Ad
③News feed
7. Baseline
①DNN;
②W&D;
③PNNs;
④DeepFM;
⑤AutoInt;
...
8. Metric
①AUC;
②Loss;
9. 实验结果
参考资料:
[1] GME模型源代码 https://github.com/oywtece/gme
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!