面向点击率预测的自注意力深度域嵌入因子分解机

摘要

点击率（CTR）预测通过预测用户对广告或商品的点击概率，实现数字广告精准推荐。针对现有CTR模型存在原始嵌入向量未精化、特征交互方式偏简单的问题，本文提出自注意力深度域嵌入因子分解机（self-attention deep field-embedded factorization machine,Self-At DFEFM）模型。首先，通过多头自注意力对原始嵌入向量加权，精化出关键低层特征；其次，构建深度域嵌入因子分解机（FEFM）模块，设计域对对称矩阵以提升不同特征域之间的交互强度，为高阶特征交互优选出低阶特征组合；再次，基于低阶特征组合构建深度神经网络（DNN），完成隐式高阶特征交互；然后，围绕精化后的嵌入向量，联合多头自注意力与残差机制堆叠多个显式高阶特征交互层，通过自注意力捕获同一特征在不同子空间上的互补信息，完成显示高阶特征交互；最后，联合显式与隐式高阶特征交互实现点击率预测。在Criteo和Avazu两大公开数据集上，将Self-AtDFEFM模型与主流基线模型在AUC和LogLoss指标上进行对比实验；为Self-AtDFEFM模型调制显式高阶特征交互层层数、注意力头数量、嵌入层维度及隐式高阶特征交互层层数等参数；对Self-AtDFEFM模型进行消融实验。实验结果表明：在两大数据集上，SelfAtDFEFM模型的AUC、LogLoss均优于主流基线模型；Self-AtDFEFM模型的全部参数已调为最佳；各模块形成合力以促使Self-AtDFEFM模型性能达到最优，其中显示高阶特征交互层的作用最大。Self-AtDFEFM模型各模块即插即用，易于构建和部署，且在性能与复杂度之间取得平衡，具备较高实用性。

关键词

点击率预测 / 多头自注意力 / 特征交互 / 域嵌入因子分解机 / 深度神经网络