基于域矩阵因子分解机的点击通过率预估增强网络

摘要

有效的特征交互，对于工业推荐系统中点击通过率(click-through-rate, CTR)预估的准确性起着至关重要的作用。以往并行结构的CTR预估模型通过将独立的浅层模型和深层模型并行连接，以此来学习特征的低阶交互和高阶交互。但是，这些模型存在浅层模型准确性低、未考虑特征交互时的多语义问题、参数过多、深层模型过度泛化等问题。基于上述问题，提出了一种基于域矩阵因子分解机的点击通过率预估增强网络，通过引入域矩阵优化浅层模型中的交互，提高运算效率，并在深层模型的DNN层与层之间增加了桥接模块，在每层高阶交互后增强对原始特征的记忆能力，将浅层模型和深层模型的结果相加并归一化得到预测值。该模型在Criteo、KKBox、Frappe和MovieLens数据集上进行了大量实验，展现了优秀的预测能力。

关键词

点击通过率 / 域矩阵因子分解机 / 桥接模块 / 特征交互