阿里CTR预估第一部分：基于点击率的Deep兴趣网络分析
发布时间
阅读量：
阅读量
Deep Interest Network在CTR预估中的应用
Introduction
CTR预估作为工业应用中的关键任务，当前主流模型大多采用embedding与MLP相结合的架构。具体而言，该架构首先将高维稀疏特征映射为低维的embedding向量，并将其转化为固定长度的表示形式，随后将这些向量拼接后输入MLP中，通过学习特征之间的非线性关系来生成最终输出结果。然而，这种处理方式存在明显缺陷：对于不同的候选样本而言，其得到的表示向量是相同的，难以有效反映用户兴趣的多样性。为了解决这一问题，阿里团队提出了DIN模型，并同步引入了一种新型激活函数Dice以及一个用于降低计算复杂度的正则化方法。
DIN
Feature Representation
CTR预估所采用的输入向量通常具有高维度且呈现稀疏性特征。以下为一个具体示例：
这些向量通常被归类为one-hot或multi-hot形式。
整个输入空间的示意图如图中所展示：
还没有任何评论哟~