【论文笔记】Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction

最新推荐文章于 2023-04-16 20:24:55 发布

卷不动

最新推荐文章于 2023-04-16 20:24:55 发布

阅读量1.4k

点赞数

分类专栏：推荐系统文章标签：推荐系统 ctr

本文链接：https://blog.csdn.net/qq_42924581/article/details/119410615

版权

论文提出了多交互注意网络(MIAN)模型，旨在解决CTR预测中的三个局限：仅关注历史行为、忽视不活跃用户和特征子空间的多重表示。MIAN模型包括多交互层和全局交互模块，通过局部交互模块捕获用户行为、用户详细信息和上下文信息的交互，以及全局模块学习高阶交互，提升预测准确性。

摘要由CSDN通过智能技术生成

《Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction》论文学习

文章目录

- 《Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction》论文学习
摘要
一、介绍
二、MAIN模型
实验
总结

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。