基于特征加权与自动交互的点击率预测模型

来源：计算机技术与发展杂志2023年第11期北京时间：

作者：陈海青;蔡江辉;杨海峰;贺艳婷

摘要：在大数据时代的点击率( Click-Through Rate,CTR) 预测任务中,输入数据不仅数量多而且特征维度很高,在特征选择时容易出现信息干扰或丢失,在进行特征交互时不同的交互方式也会影响预测性能。 针对该问题,文中提出了一种基于特征加权与自动交互的预测模型,用于学习原始特征权重并进行自动交互。 首先,引入 ECANet 模块提出一种不降维的特征加权方法,该方法可以通过对 k 个相邻特征进行一维卷积有效实现。 然后,分别用多头自注意网络和深度神经网络(DNN) 去自动学习显式和隐式的特征交互。 最后,将两者相结合进行预测,弥补了单一模型的缺陷。 一方面,它能对输入特征进行重要性选择;另一方面,它能同时以显式和隐式的方式自动学习任意低阶和高阶的特征交互。 通过在四个真实数据集上的实验,验证了其比以往的预测模型获得了更好的准确度。

关键词：点击率预测;特征交互;特征加权;深度神经网络;多头自注意网络