发表于2021年WSDM
《Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction》论文阅读笔记
-
背景:
CTR预测,估计用户点击项目的可能性,在线广告,推荐系统等应用中很重要。候选的项目根据CTR排序。 -
已有方法
在CTR预测中,监督式机器学习方法,如LR,FM及其变体学习浅层特征交互;深度学习模型学习复杂的特征交互,如wide&deep,deepFM,deep & cross network(DCN);基于RNN的序列方法根据用户的历史行为提取用户特征,如deep interest network(DIN)。 -
存在问题:
(1)用户经常会点击与历史行为无关的新产品,传统的给用户行为加注意机制的CTR预测方法并不适用;
(2)很难通过近期的行为获得用户当前的喜好(很多用户在之前就有活动但近期相对不活跃);
(3)用户历史行为在不同特征空间中的表示被忽略。 -
本文:
提出多交互注意网络(MIAN),提取特征之间的潜在关系。多交互层包含三个本地交互模块(项目行为交互模块;用户项目交互模块;项目上下文交互模块ÿ