![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CTR预测
Nepenthe_V
计算广告 推荐系统 图嵌入
展开
-
论文总结 (二):GIN用于CTR预测:Graph Intention Network for Click-through Rate Prediction in Sponsored Search
一. 已有模型的缺点 以往的模型中用户的意图大都是根据其历史点击行为进行提取。会有以下缺点: 用户行为稀疏问题(behavior sparsity):当用户行为稀疏时很难提取其实时意图。 弱泛化问题(weak generalization) ,用户很难跳出他们的特定历史行为来进行兴趣探索 二. GIN的创新点 提出基于共现商品图(co-occurrence commodity graph)的图意图网络(GIN)挖掘用户意图。 首次提出了对图学习和CTR预测任务的端到端赞助搜索模型。 通过采用多层图扩.原创 2020-11-03 17:50:54 · 2110 阅读 · 0 评论 -
论文总结 (一):Fi-GNN——通过GNN对特征交互建模进行CTR预测
一. CTR(Click-through rate)简介 CTR=实际点击数/点击率; CTR预测是一个分类问题 ,预测用户是否点击目标项目; 是一个重要任务在推荐系统和在线广告平台等。 二. Fi-GNN 已有模型的缺点 特征之间的交互是灵活显性的,而无结构的特征组合无法很好地进行提取。 Fi-GNN的创新点 在图结构上以更灵活和明确的方式对特征之间的复杂交互进行建模。 图(graph)中的每个节点(node)都对应一个特征(field),并且不同的特征可以通过边(edge)进行交互。原创 2020-11-02 22:35:58 · 1939 阅读 · 0 评论