Revisiting Feature Co-action on Click-Through Rate Prediction

作者针对论文发表所提出的一些观点
https://zhuanlan.zhihu.com/p/287898562

ABSTRACT

受到深度学习技术取得成功的影响，近期的工业点击率(CTR)预测模型已由传统的浅层方法逐步转向深度方法。深度神经网络(DNNs)具备从原始特征中自动提取非线性交互关系的能力，然而这些非线性特征之间的交互是以隐含的方式进行学习的。这种非线性交互关系往往难以被准确捕捉并以显式形式建模，而原始特征之间的协同效应对于提升CTR预测效果具有重要作用。协同作用指的是多个特征共同对最终预测结果产生的综合影响。在本文中，我们指出当前的CTR模型尚未充分挖掘特征协同效应所带来的潜在价值。通过实验验证，我们发现特征协同效应的实际效果被显著低估。基于上述观察，我们设计并提出了一种名为特征协同作用网络(CAN)的模型，旨在深入挖掘特征协同效应的价值潜力。该模型能够在有效减少存储与计算资源消耗的同时，显著增强模型的整体表现能力。在多个公开数据集和工业数据集上的实验结果表明，该算法的表现明显优于当前最先进的CTR模型。截至目前为止，CAN已被应用于阿里巴巴展示广告系统，并在点击率和每千次展示收益(RPM)两个关键指标上分别实现了12%和8%的平均提升。

1 INTRODUCTION

随着机器学习模型复杂性的持续提升，尤其是在推荐系统领域，如何高效且有效地处