SIGIR2021 | 基于特征交互学习的门控增强多任务神经网络用于CTR预测

嘿，记得给“机器学习与推荐算法”添加星标

---

| 作者：YEN

| 单位：东北大学

| 研究方向：推荐系统、计算广告

今天分享一篇百度公司发表在SIGIR 2021的点击率预估方面的Short Research Paper论文。

深度神经网络(DNN)模型已被广泛应用于在线广告点击率(CTR)预测。CTR训练框架通常由嵌入层和多层感知机(MLP)组成。在百度搜索广告系统中(又名凤巢，Phoenix Nest^[1])，新一代的CTR训练平台变成了PaddleBox，一个基于GPU的参数服务器系统。

在这篇论文中，作者介绍了百度最近更新的CTR训练框架，称为门控增强的多任务神经网络(GemNN)。特别地，他们开发了一种基于神经网络的多任务学习模型用于CTR预估，它以粗粒度到细粒度的方式逐步减少候选广告，并允许上游任务与下游任务之间的参数进行共享，从而提高训练效率。此外，作者还在嵌入层和MLP之间引入了门控机制，用于学习特征交互和控制传递到MLP层的信息流。

作者在百度PaddleBox平台部署了该模型方案，并观察到在离线和在线评估方面都有相当大的改进，它现在已经是百度广告系统的一部分。

---

本文结构：

• 广告系统背景

• 提出的GemNN模型

• • 基于多任务的模型 Multi-task Neural Network based model

  • 门控增强的多任务模型 Gate-enhanced Multi-task NN model

• 实验效果

• • 离线实验

  • 在线实验

  • 消融实验

广告系统背景

工业广告系统通常从数以百万计的候选广告中选择和排序广告。一个常见的做法（如百度的MOBIUS^[2]）是利用多层漏斗形结构，在几个阶段交付广告：通常包括候选广告生成阶段和重排序阶段。候选生成阶段将语料库从数百万缩减到数千或数百，重排序阶段估计候选广告的ctr和cpm，并向用户提供排名靠前的广告。

值得注意的是，在工业广告系统中，重排序通常有几个子步骤，其中每个子步骤都有一个神经网络模型