《Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction》论文学习
文章目录
摘要
用于CTR预测中细粒度特征学习的多交互注意网络
在点击率(CTR)预测场景中,最近的文献很好地利用了用户的顺序行为来捕获用户的兴趣。然而,这些顺序方法仍然存在三个局限性。1、现有的方法大多是利用对用户行为的关注,但因为用户经常会点击与任何历史行为无关的新产品,这并不总是适合于预测点击率。2、在真实场景中,有许多用户很久以前就有操作,但最近变得相对不活跃。因此,很难通过用户的早期行为来准确地捕捉用户当前的偏好。3、用户历史行为在不同特征子空间中的多重表示在很大程度上被忽略。
为了解决这些问题,提出了一个**多交互注意网络(Multi-Interactive Attention Network, MIAN)**来综合提取各种细粒度特征(如用户档案中的性别、年龄和职业)之间的潜在关系。具体来说,MIAN包含一个多交互层(Multi- Interactive Layer,MIL),它集成了三个本地交互模块,通过顺序行为、细粒度用户具体信息和上下文信息捕获用户偏好的多种表示。此外,我们设计了一个全局交互模块(GIM)来学习高阶交互,并平衡多种特征的不同影响。