.png){kind=icon}
返回
Click-through rate prediction with multi-behavior sequences and shared interest learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.im.2025.104177.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（CTR）预测是评估在线广告效果的一项关键技术。CTR预测依赖于基于消费者历史行为有效建模其产品兴趣。然而，现有的CTR研究尚未完全整合消费者购买历史与其他行为历史，如浏览、加入购物车和加入收藏。我们应如何充分利用丰富的行为历史来提取个人兴趣以及相似他人的兴趣？在提取相似他人的兴趣时，如何在保持与个人兴趣相关性的同时享受他人兴趣的新颖性？为解决这些问题，我们在构建消费者兴趣档案时提出了两种消费者兴趣类型：显性兴趣和潜在共享兴趣。我们提出了一种增强型深度多行为兴趣网络（ADMBIN），用于从多行为序列中提取、整合并平衡这两种兴趣类型。实验结果表明，ADMBIN在CTR预测方面优于基准模型，并验证了我们设计组件的贡献。所提出的模型能够提升广告收入并改善消费者体验。
期刊
I
IF:
8.2
论文数:
2.3K
被引数:
1.4W
机构
暂无机构信息
引用论文
.png){kind=icon}
How Digital Word-of-Mouth Affects Consumer Decision Making: Evidence from Doctor Appointment Booking
PREAI
分享收藏
查看更多内容