大图
FiBiNET:结合特征重要性和双线性特征交互进行CTR预估
背景
本文发表在RecSys 2019,主要通过动态学习不同特征的特征重要性权重,解决CTR预估中对不同场景下不同特征的权重(ReWeight)重定义问题,同时,双线性的使用解决稀疏数据在特征交叉建模时的有效性问题。
创新
由模型结构图我们可以发现,本文核心结构主要有两个,Embedding Layer中的SENET Layer 和 Bilinear-Interaction Layer 。
-
其中 SENET Layer又包含3个步骤,分别是
- 对每个Field用Max Pool或者Mean Pool 操作的Squeeze Step;
- 对每个Field用两层FC层计算特征重要性权重的Excitation;
- 对原始每个Field利用Excitation得到的特征重要性权重重新赋权的ReWeight。