Practice on Long Seqhttps:/uential User Behavior Modeling for Click-Through Rate Prediction KDD 2019

最新推荐文章于 2023-09-25 07:45:36 发布

农场主

最新推荐文章于 2023-09-25 07:45:36 发布

阅读量143

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/qq_39091546/article/details/118306264

版权

本文提出了一种用户兴趣中心（UIC）和多通道用户兴趣记忆网络（MIMN）的联合设计方案，用于处理长序列用户行为数据的CTR预测。UIC模块独立维护用户兴趣状态，实现无延迟更新，而MIMN则通过记忆网络有效捕捉用户兴趣。该方案在存储和延迟上解决了挑战，并已在阿里巴巴展示广告系统中部署。

摘要由CSDN通过智能技术生成

使用UIC (User Interest Center).解决长序列问题（数千长度）。 tensorflow的代码

知乎解答

摘要

本文直面长序列用户行为建模的挑战，介绍了我们与机器学习算法和在线服务系统共同设计的CTR预测任务的实践。(I)从服务系统的角度出发，通过设计一个独立的模块UIC(User Interest Center)，将用户兴趣建模中最耗费资源的部分从整个模型中解耦出来。UIC维护每个用户的最新兴趣状态，其更新取决于实时用户行为触发事件，而不是流量请求。因此，UIC对于实时CTR预测是无延迟的。(Ii)从机器学习算法的角度出发，提出了一种基于记忆的多通道用户兴趣记忆网络MIMN(Multi-Channel User Interest Memory Network)，用于从长序列行为数据中捕捉用户兴趣，取得了优于现有模型的性能。MIMN通过UIC模块以增量方式实现。

从理论上讲，UIC和MIMN的协同设计方案使我们能够处理无限长度的顺序行为数据的用户兴趣建模。通过模型性能和系统效率的比较，证明了所提方案的有效性。据我们所知，这是首批能够处理长度可达数千的长顺序用户行为数据的工业解决方案之一。它现在已经部署在阿里巴巴的展示广告系统中。