.png){kind=icon}
返回
A combine bit-wise and vector-wise interactive features network for CTR prediction
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-025-01926-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点击率预测代表了在线广告中的一个关键组成部分，而捕捉交互特征是研究的核心。基于深度学习的现有方法无法在比特维度和向量维度上可控地捕捉高阶和低阶交互特征。在本文中，我们提出了一种结合比特级和向量级交互特征的网络用于CTR预测。为了在两个层级上获取低阶和高阶交互特征，我们的模型采用了并行结构。对于比特级特征交互，我们的模型分别基于逻辑回归（LR）和深度神经网络（DNN）来捕捉交互特征。对于向量级特征交互，我们提出了一个带残差连接的多头向量级网络来捕捉交互特征。实验结果表明，与其它最先进的CTR预测模型相比，对于两个公开数据集，所提模型的有效性得到了验证（对于Criteo数据集，所提模型的AUC值提高了0.35%，logloss降低了0.24%）。
Keyword:
Click-through rate prediction
Interactive features
Deep learning
Attention mechanism
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
分享收藏Explicit feedback meet with implicit feedback in GPMF: a generalized probabilistic matrix factorization model for recommendationGPMF中的显式反馈与隐式反馈相遇: 用于推荐的广义概率矩阵分解模型.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
分享收藏Spatial-Aware Hierarchical Collaborative Deep Learning for POI Recommendation面向POI推荐的空间感知分层协同深度学习
PREAI
分享收藏分享收藏
查看更多内容