论文简译 GCN-Int:基于图卷积网络交互的点击率预测模型

摘要

      推荐系统能够解决信息过载的问题，越来越受到学术界和业界的关注。在众多的方法中，点击率预测模型在预测用户对特定商品的注意力方面起着重要的作用。预测点击率通常采用高维稀疏特征，预测结果的准确性在很大程度上依赖于高阶特征的组合。因此，提出了从稀疏的高维原始特征中寻找低维表示的方法，并挖掘了有意义的特征组合方式，以提高模型的精度。然而，点击率预测模型通常有两个问题。一是不能很好地提取非欧几里德特征的特征交互。另一个原因是很难解释特征交互的内在含义。本文提出了一种基于图卷积网络交互的GCN-int模型来解决上述问题。该模型简化了多特征之间复杂的交互，较好地表达了高阶特征之间的交互，提高了特征交互的可解释性。在公共电影推荐数据集和我们自己的IPTV电影推荐数据集上的实验结果表明，本文提出的GCN-int模型与现有模型相比具有更高的精度和效率。

关键词

推荐系统、GCN-int、IPTV平台数据、点击率预测、功能交互

1.概述

      推荐系统可以追溯到Tapestry，这是施乐公司在1992年设计的一个协同过滤电子邮件系统，用于解决帕洛阿尔托研究中心的信息超载问题。同年，戈德伯格提出了“推荐系统”的概念。通过预测用户的偏好，推荐系统可以缓解信息超载的压力。为了帮助人们获得他们需要的有效信息，推荐系统被广泛应用于电子商务平台、电子政务平台和娱乐网站，如图书推荐、音乐推荐、电影推荐等。此外，互联网协议电视(Internet Protocol Television, IPTV)平台也采用了推荐系统，因为嵌入式数据采集软件可以分析电视观众的观看模式。
      “召回与排序”是推荐系统的主流架构。回忆策略大致可分为以下两类：基于规则的召回和基于向量的召回。召回层基于召回策略，从海量数据中快速获取推荐条目的候选集。然后，在排序层对候选集进行进一步排序，得到最终的推荐项。一般情况下，在查全率层根据用户的个性化偏好获得候选集，然后在排名层通过预测项目的点击率进行排序，所以排名层使用的模型可能不会对特定用户进行预测。点击率(CTR)预测模型是应用广泛的排名模型，它可以预测一个用户点击一部电影的概率。在早期，CTR被应用于搜索广告。由于CTR具有良好的预测能力，在推荐系统中得到了广泛的应用。在CTR预测领域，人们一直在努力寻找高维稀疏特征的低维表示及其有意义的组合，以提高模型的准确性。然而，**现有的CTR预测模型存在两个问题：**现有的CTR预测模型不能很好地提取高阶特征之间的相互作用，且特征相互作用无法解释。此外，模式识