阿里,2019,KDD
《Deep Spatio-Temporal Neural Networks for Click-Through Rate Prediction》论文阅读笔记
- 背景:
CTR预测用户点击某个项目的概率。 - 已有方法:
FM,DNN,wide&deep关注怎么更好的表示特征以及特征交互。 - 存在问题:
大量研究将每个广告单独考虑,忽视了其他广告对目标广告CTR的影响。 - 解决问题:
(1)模型怎样容纳所有可能的(每一类辅助数据的个数不同)情况;
(2)怎样提取有用信息;
(3)怎样区别不同辅助数据的贡献;
(4)怎样融合所有有用的信息。 - 本文:
研究辅助广告的多种类型,从两个角度探索辅助广告:
空间域(与目标广告在同一页面的上下文广告) + 时间域(用户历史点击和未点击的广告)。
提出深度时空网络进行CTR预测。学习辅助数据与目标广告之间的交互作用,在统一的架构中融合异构数据。 - 具体:
6.1 预备工作:
嵌入层:将特征映射为嵌入向量,然后将广告的相关特征都拼接起来。
第i个特征的嵌入向量是嵌入矩阵(学习到的)的第i行。
6.2 DSTN-池化模型:
解决上下