检索结果-南通市图书馆

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

来源：

维普期刊数据库

同方期刊数据库评论

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

引用

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

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的在线广告点击率预估模型

基于深度学习的在线广告点击率预估模型

引用

作者：钱程河北经贸大学

学位级别：硕士

随着互联网技术的不断发展,在线广告已成为广告营销产业的重要组成部分。广告点击率预估模型是通过预测用户在特定情境下对广告的点击率,为相关企业提供产品排序和广告投放等决策支持,因此成为学术界和工业界关注的研究热点。点击率预... 详细信息

随着互联网技术的不断发展,在线广告已成为广告营销产业的重要组成部分。广告点击率预估模型是通过预测用户在特定情境下对广告的点击率,为相关企业提供产品排序和广告投放等决策支持,因此成为学术界和工业界关注的研究热点。点击率预估模型的本质是一个分类模型,输出用户是否点击的概率,对于不同的背景数据,其特征组合的情况往往存在很大差距,很难找到一个单一的模型去适用所有的数据集,模型的优劣性也无法用单一的数据集来判断,因此,文本基于传统的深度点击率预估模型Deep FM提出了两个适应于不同背景数据的点击率预估模型,在面对不同的背景数据时,可以使用相对合适的模型来取得更优的效果。本文的主要工作如下:(一)提出了融合双重注意力机制和自适应嵌入的点击率预估模型,简称MAMEDFM模型。Deep FM模型原始的特征嵌入层在单一特征进行交互时采用单一隐向量,对特征的表达能力不强,而且在特征组合时会丢失一些信息。基于此,本文对Deep FM模型的嵌入层进行了改进,改进后的模型会依据交互目标的类别不同,生成不同的隐向量进行特征嵌入,从而提高模型的表达能力。由于嵌入层的改进会大大增加特征的组合,为了保证特征交叉的有效性,在交叉阶段引入了双重注意力机制来进行筛选控制,更大程度的降低冗余特征组合的权重,充分挖掘了不同行为特征对特征交互的影响。(二)提出了融合知识蒸馏和高阶特征组合的点击率预估模型,简称Soft-DICN模型。基于Deep FM的FM部分进行改进。因子分解机(FM)模型是机器学习领域的重要模型。它能够处理低阶的特征组合并输出组合的特征,有利于后续的业务挖掘分析。Deep部分使用深度神经网络,能够处理高阶的特征组合但是无法输出具体的组合信息,无法提供高阶组合的业务分析和指导。故本文将FM部分进行拓展,使其能够捕获高阶的特征组合并且输出组合信息,然后在各阶的组合处加入样本感知注意力机制,有效的去除高阶组合中的冗余组合。最后,使用知识蒸馏架构来设计模型,解决其高阶组合带来的计算复杂度问题。本文两个模型的适用场景略有差异,故在两个公开的数据集Criteo和Avazu上进行实验分析,并且使用多种同类点击率预估模型进行效果对比,实验结果显示,模型一MAME-DFM在两个数据集上的预测AUC值分别为0.7791和0.7912;模型二Soft-DICN在两个数据集上的预测AUC分别是0.7770和0.7846。与基线模型相比,两个模型均有明显的提升。此外为了验证模型在当前流行的广告行业中的有效性,本文将模型应用于阿里公司公布的淘宝在线广告点击率预估数据集上,面对真实的数据集两个模型都取得了较好的预测结果,并且得出了对在线广告点击率影响最大的十个特征变量。因此,本文的研究不仅可以进一步丰富和发展现有的在线广告点击率模型的相关理论,更进一步,还为相关企业进行产品信息的深度挖掘提供技术和决策支持。

关键词：点击率预估注意力机制知识蒸馏高阶特征交叉自适应嵌入

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：