检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于注意力机制的场感知点击率预测模型

计算机工程 2023年第3期49卷 80-86,94页

作者：沈学利韩倩雯辽宁工程技术大学软件学院辽宁葫芦岛125105

点击率预测是广告投放的重要手段之一,通过预测广告点击率对用户进行效推荐,能够提高广告收益。在点击率预测任务中,场感知点击率预测模型由于考虑了场信息,表现出一定优越性,但在进行特征交互时会产生大量冗余信息,导致预测准确率较低... 详细信息

点击率预测是广告投放的重要手段之一,通过预测广告点击率对用户进行效推荐,能够提高广告收益。在点击率预测任务中,场感知点击率预测模型由于考虑了场信息,表现出一定优越性,但在进行特征交互时会产生大量冗余信息,导致预测准确率较低。提出一种场感知注意嵌入神经网络(FAENN)模型,通过自注意力机制对嵌入层的输入向量进行权重分配,以较好地区分场感知嵌入特征的重要程度,加快模型训练速度。同时使用低阶特征交互层关注特征的一阶显性信息和二阶交互特征信息,并将有效特征输出到高阶交互层,利用高阶特征交互层将学习到的相互作用向量与深度神经网络相结合,捕捉更高阶的特征交互作用,以提高预测准确率。实验结果表明,FAENN模型相比于FM、FFM、AFM等模型有较高的预测准确率。

关键词：点击率预测表示学习嵌入技术自注意力机制特征交互

在线全文

学校读者我要写书评

暂无评论

基于多粒度特征交叉剪枝的点击率预测模型

计算机研究与发展 2024年第5期61卷 1290-1298页

作者：白婷刘轩宁吴斌张梓滨徐志远林康熠北京邮电大学计算机学院(国家示范性软件学院) 北京100876 微信事业群开放平台基础部广州510220

在推荐系统中,学习有效的高阶特征交互是提升点击率预测的关键.现有的研究将低阶特征进行组合来学习高阶交叉特征表示,导致模型的时间复杂度随着特征维度的增加呈指数型增长;而基于深度神经网络的高阶特征交叉模型也无法很好地拟合低阶... 详细信息

在推荐系统中,学习有效的高阶特征交互是提升点击率预测的关键.现有的研究将低阶特征进行组合来学习高阶交叉特征表示,导致模型的时间复杂度随着特征维度的增加呈指数型增长;而基于深度神经网络的高阶特征交叉模型也无法很好地拟合低阶特征交叉,影响预测的准确率.针对这些问题,提出了基于多粒度特征交叉剪枝的点击率预测模型FeatNet.该模型首先在显式的特征粒度上,通过特征剪枝生成有效的特征集合,保持了不同特征组合的多样性,也降低了高阶特征交叉的复杂度;基于剪枝后的特征集合,在特征元素粒度上进一步进行隐式高阶特征交叉,通过滤波器自动过滤无效的特征交叉.在2个真实的数据集上进行了大量的实验,FeatNet都取得了最优的点击率预测效果.

关键词：点击率预测高阶特征交叉多粒度特征剪枝特征降噪

在线全文

学校读者我要写书评

暂无评论

基于特征增强聚合的融合广告点击率预测模型

计算机工程 2022年第1期48卷 312-320页

作者：蒋兴渝黄贤英陈雨晶徐福重庆理工大学计算机科学与工程学院重庆400054

传统点击率(CTR)预测模型多在单一特征级上进行特征交互,未能充分利用不同特征级上的有效信息。基于特征增强聚合方法提出一种融合广告CTR预测(APNN)模型。在CTR预测模型的嵌入层中引入一阶信息重要性进行特征增强,通过注意力因子分解机... 详细信息

传统点击率(CTR)预测模型多在单一特征级上进行特征交互,未能充分利用不同特征级上的有效信息。基于特征增强聚合方法提出一种融合广告CTR预测(APNN)模型。在CTR预测模型的嵌入层中引入一阶信息重要性进行特征增强,通过注意力因子分解机(AFM)模型与基于乘积产生层的神经网络(PNN)模型融合不同特征级交互特征和增强的嵌入特征,并利用多个全连接层从融合特征中获得更多潜在的高阶信息。实验结果表明,相比AFM、PNN、FNN等模型,APNN模型的预测精度较高,其在Criteo数据集上的AUC和LogLoss指标较PNN模型分别提高1.74和1.42个百分点。

关键词：点击率预测一阶信息重要性特征增强因子分解机深度神经网络

在线全文

学校读者我要写书评

暂无评论

特征重要性动态提取的广告点击率预测模型

小型微型计算机系统 2022年第5期43卷 976-984页

作者：蒋兴渝黄贤英陈雨晶徐福重庆理工大学计算机科学与工程学院重庆400054

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... 详细信息

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.

关键词：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

在线全文

学校读者我要写书评

暂无评论

基于神经架构搜索的点击率预测模型

计算机科学 2022年第7期49卷 10-17页

作者：帅剑波王金策黄飞虎彭舰四川大学计算机学院成都610065

点击率(Click-Through Rate,CTR)预测是推荐系统中一项重要的任务,其目标是预测用户点击一个广告或者商品的概率。特征嵌入和特征组合是影响预测性能的关键,因此很多点击率预测模型的思路也是针对这两个方面进行优化。但目前大部分工作... 详细信息

点击率(Click-Through Rate,CTR)预测是推荐系统中一项重要的任务,其目标是预测用户点击一个广告或者商品的概率。特征嵌入和特征组合是影响预测性能的关键,因此很多点击率预测模型的思路也是针对这两个方面进行优化。但目前大部分工作仅关注其中一个方面,并且几乎所有的模型在进行特征组合时都没有对特征进行区分,同一个特征与其他特征组合时都使用相同的嵌入和组合方法,阻碍了模型性能的提升。为解决该问题,提出了Auto-SEI(Automatic Super-field-aware Feature Embedding and Interacting)模型。该模型先将每个特征子域分配给一个特征超域,再根据分组得到特征的嵌入,然后为特征对选择合适的组合方法获取组合特征,最后进行预测。Auto-SEI模型中,特征子域的划分和组合方法的选择被参数化为架构搜索问题,利用神经架构搜索(Neural Architecture Search,NAS)算法压缩搜索空间并进行选择。在3个真实的大规模数据集上进行了大量实验,结果表明Auto-SEI模型在点击率预测任务上具有优秀的性能。

关键词：神经架构搜索点击率预测特征嵌入特征组合推荐系统

在线全文

学校读者我要写书评

暂无评论

基于交叉注意力的点击率预测模型

计算机工程与应用 2024年

作者：何李杰高茂庭上海海事大学信息工程学院

有效特征的挖掘是点击率预测的关键，针对点击率预测模型对局部组合特征与全局特征间的信息交流考虑不充分，对组合特征的重要度表达不准确的问题，提出一种基于交叉注意力的点击率预测模型(CANN)，通过交叉注意力机制突出组合特征与全... 详细信息

有效特征的挖掘是点击率预测的关键，针对点击率预测模型对局部组合特征与全局特征间的信息交流考虑不充分，对组合特征的重要度表达不准确的问题，提出一种基于交叉注意力的点击率预测模型(CANN)，通过交叉注意力机制突出组合特征与全局特征间的联系和交流，以充分挖掘有效特征。先通过全局平均池化分别得到每个特征的特征值并拼接成全局特征；再采用轴加权融合的方式来捕获组合特征；然后，通过交叉注意力机制实现全局特征与组合特征交叉，得到组合特征的权重来表达其重要性，并将加权的组合特征融合到全局特征，以提高信息交流；最后，通过多层感知机学习，得到点击率预测值。在两个公开和真实的数据集上的实验结果验证了该模型的有效性。

关键词：点击率预测交叉注意力特征交互神经网络

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于改进Fi-GNN模型的点击率预测方法

计算机工程与设计 2024年第6期45卷 1720-1727页

作者：夏义春李汪根李豆豆高坤束阳安徽师范大学计算机与信息学院安徽芜湖241002

为解决基线模型(Fi-GNN)特征交互模块设计不合理的问题,提出一种基于改进Fi-GNN模型的点击率预测方法(Fi-GNN-V2)。针对特征交互模块的邻接矩阵没有考虑到异构节点间的多元关系,在计算异构节点间相互作用的权重时增加边类型的嵌入向量,... 详细信息

为解决基线模型(Fi-GNN)特征交互模块设计不合理的问题,提出一种基于改进Fi-GNN模型的点击率预测方法(Fi-GNN-V2)。针对特征交互模块的邻接矩阵没有考虑到异构节点间的多元关系,在计算异构节点间相互作用的权重时增加边类型的嵌入向量,得到更合理的邻接矩阵;通过多头聚合多个子空间的邻居信息学习不同方式的特征交互;融合二阶以及三阶特征组合解决特征交互模块造成特征域的语义信息丢失问题,设计注意力模块抑制无用特征组合对模型学习的干扰;为进一步提升模型的性能,结合深度神经网络隐式捕捉高阶非线性的特征组合进行联合预测。实验结果表明,该方法优于其它主流点击率预测模型。

关键词：点击率预测邻接矩阵异构节点多空间聚合语义信息注意力模块深度神经网络

在线全文

学校读者我要写书评

暂无评论

在线广告点击率预测方法的研究综述

中文信息学报 2023年第4期37卷 1-17页

作者：龚雪鸾陈艳姣王帅武汉大学计算机学院湖北武汉430072 浙江大学电气工程学院浙江杭州310058

在在线广告和推荐系统中,准确预测点击率(Click-Through Rate,CTR)是至关重要的。CTR是广告被点击次数与广告被展示次数的比值。过去,许多传统的机器学习算法,如逻辑回归、支持向量机,因为简单且易于实现而被广泛地应用于广告点击率预... 详细信息

在在线广告和推荐系统中,准确预测点击率(Click-Through Rate,CTR)是至关重要的。CTR是广告被点击次数与广告被展示次数的比值。过去,许多传统的机器学习算法,如逻辑回归、支持向量机,因为简单且易于实现而被广泛地应用于广告点击率预测工作。然而,这些传统算法往往需要复杂的特征工程。相较之下,深度学习模型能够有效自动提取高阶特征,可以较好地解决这一问题。此外,为了实现更高效、更准确的性能,融合了嵌入式和钦层感知器(Multilayer Perceptron,MLP)的优点的混合架构近年来被广泛地应用。该文对预测点击率的方法进行了全面的研究,不仅根据现有解决方案的架构将其分为三类,而且对每一类进行了详细的概述。最后,该文指出了该领域存在的挑战和未来发展方向,为进一步研究指明可能的途径。

关键词：点击率预测陈列式广告机器学习

在线全文

学校读者我要写书评

暂无评论

基于多粒度特征剪枝的点击率预测模型

计算机研究与发展 2023年

作者：白婷刘轩宁吴斌张梓滨徐志远林康熠北京邮电大学计算机学院(国家示范性软件学院) 微信事业群开放平台基础部

在推荐系统中，学习有效的高阶特征交互是提升点击率预测的关键．现有的研究将低阶特征进行组合来学习高阶交叉特征表示，导致模型的时间复杂度随着特征维度的增加呈指数型增长；而基于深度神经网络的高阶特征交叉模型也无法很好地拟合... 详细信息

在推荐系统中，学习有效的高阶特征交互是提升点击率预测的关键．现有的研究将低阶特征进行组合来学习高阶交叉特征表示，导致模型的时间复杂度随着特征维度的增加呈指数型增长；而基于深度神经网络的高阶特征交叉模型也无法很好地拟合低阶特征交叉，影响预测的准确率．针对这些问题，提出了基于多粒度特征剪枝的点击率预测模型FeatNet．该模型首先基于显式的特征粒度，通过特征剪枝生成有效的特征集合，保持了不同特征组合的多样性，也降低了高阶特征交叉的复杂度；基于剪枝后的特征集合，在特征元素粒度上进一步进行隐式高阶特征交叉，通过滤波器自动过滤无效的特征交叉．在2个真实的数据集上进行了大量的实验，FeatNet都取得了最优的点击率预测效果．

关键词：点击率预测高阶特征交叉多粒度特征剪枝特征降噪