CTR预估系列炼丹入门手册

九羽-炼丹笔记

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

  1. 对每个Field用Max Pool或者Mean Pool 操作的Squeeze Step；
  2. 对每个Field用两层FC层计算特征重要性权重的Excitation；
  3. 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。