特征重要性动态提取的广告点击率预测模型

作     者：蒋兴渝 黄贤英 陈雨晶 徐福 JIANG Xing-yu;HUANG Xian-ying;CHEN Yu-jing;XU Fu

作者机构：重庆理工大学计算机科学与工程学院重庆400054 

出 版 物：《小型微型计算机系统》 (Journal of Chinese Computer Systems)

年 卷 期：2022年第43卷第5期

页      面：976-984页

学科分类：08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家社会科学基金项目(17XXW005)资助 重庆理工大学研究生创新项目(clgycx20203118)资助。 

主　　题：点击率预测 特征重要性提取 门控机制 残差网络 深度神经网络 

摘      要：点击率预测(Click-Through Rate,CTR)是在线展示广告中的一项关键任务,CTR预测任务中涉及的数据通常有多个特征,对其中的重要特征提取、建模的方式极大地影响了CTR预测的准确性.以往方法在特征重要性提取过程中存在信息干扰问题.针对这一问题,提出了一种特征重要性动态提取的广告点击率预测模型.该模型将门控机制引入CTR模型对特征重要性进行初步筛选,同时利用了挤压提取网络获取特征重要性,并通过双线性交互获得重要性特征之间的关联信息,最后使用了隐藏门控残差网络学习高阶信息交互.通过对两个真实广告数据集进行的广泛实验,证明了其能够比传统的点击率预测模型以及最新的基于深度学习的预测模型获得更好的准确度.