基于高低阶特征交互学习的点击率预测模型研究

作为在线广告推送中极为重要的环节,准确的点击率预测(Click-Through Rate,CTR)不仅能提升用户体验,更能增加经济收益,减少资源浪费。目前,基于深度学习的CTR预测模型虽然取得了一定成绩,但在高低阶特征交互学习方面存在不兼顾、不充分以及模型可解释性不强等问题。为解决上述问题,文章提出的模型基于压缩交互网络对高阶交互特征进行显式学习,增强可解释性。同时采用ECA-net网络与双线性层组合的方式,对一阶特征进行加权学习,对二阶特征进行更加细粒度的特征交互,实现深度神经网络学习更细粒度的高阶交互特征,兼顾高低阶特征学习,获取更加全面的潜在特征相关性。在Criteo和Avazu两个公开的大数据集上实验发现,与已提出的相关模型相比较,新模型在性能方面均有所提升。