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。