基于点击率预测的长序列用户行为建模

本文介绍的是《Practice on Long Sequential User Behavior Modeling for Click-Through Rate Prediction》

论文的下载地址：https://arxiv.org/abs/1905.09248

源代码下载地址：https://github.com/UIC-Paper/MIMN

ps: 在运行源代码，搭建环境时，要装载python2.7以及tensorflow1.4。但是对于windows系统而言，没有对应的tensorflow1.4版本，因此在windows上运行不了，但是可以在macos以及linux上运行。

背景

CTR预估作为广告和推荐系统的基础技术，在用户行为较为丰富的场景，一般通过建模用户的历史行为序列来挖掘用户兴趣。可以知道用户的历史行为序列越多，系统对用户的兴趣判断越准确，因此希望能够引进更多的用户行为序列，但是相对的会增加存储和在线服务压力。故，本论文就此提出相对性行为。

在论文中可以知道随着时间的增加，用户的行为序列也会呈现出暴增的形式，并且随着行为序列的增多，模型的AUC值增长了0.01（如下图所示），这在工业上有着很大的提升。