特征重要性动态提取的广告点击率预测模型

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...     

基于特征增强聚合的融合广告点击率预测模型

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。