好久没有写排序模型了，最近又看到一篇令人眼前一亮的论文，Deep User Match Network for Click-Through Rate Prediction。该文提出以往的论文都专注于挖掘item与item的关系，又或者是交互特征，都忽视了用户和用户之间的关系。这篇论文创新的提出了Deep User Match Network-DUMN，该模型设计了用户表达层基于用户历史兴趣学习用户embeding。然后User Match层考虑了用户与用户的相关性，并对目标用户和候选item直接的相似度进行度量。废话不多说，直接看模型！

DUMN

先看看DUMN的框架图输入包括用户画像，用户行为，候选item的特征，上下文等，输入就是点击率。

用户和items之间有各种交互，如点击，打分。基于这种交互，我们可以获得目标用户的交互行为和候选集。

用户行为:指的是给定一个用户u，我们可以拿到该用户最近Nu个交互过的item list Iu和所有item的特征。

item行为:给定一个item m，我们可以获得和该item交互过的一个user list Um 以及这些用户的特征。Um = [(u1, Iu1), (u2, Iu2), ... , (Ul, Iul)]。

参考着上图，大家已经对整个模型有了初步的认识了。Embedding Layer不做过多介绍，就是把各种离散特征映射成embedding，通过该层，目标用户会被映射成eu，候选item会被映射成em，上下文会被映射成ec，用户行为Iu会被映射成xu，item行为会被映射成zm。其中

用户表示层(User Representation Layer)，顾名思义就是要把xu和eu合并成一个embedding,当然少不了attention，如下图所示:

会和候选item做attention，再把item list通过sum pooling合并成一个embedding，最后和user embeddinghebing，如下式：

用户匹配层(User Match Layer)，继续参考框架图，通过Relevance Unit计算item behavior和target user的attention，此处用于挖掘user-to-user的关系，将item behavior进行聚合，论文中使用的就是cos相似度，如下所示:

然后我们就可以通过Relavance Unit计算的相似度对item behavior进行聚合:

同时该模型将相似度总和也作为特征:

最终拼接特征，输出ctr并计算logloss:

实验

点击率预估又有新花样？

点击率预估又有新花样？相关推荐

  1. 精准营销：剖析广告点击率预估系统

    引文 点击率预估系统最早是由谷歌实现,并应用在其搜索广告系统.在看到这一大杀器为谷歌带来滚滚财源之后,其他公司也纷纷效仿.直到今日,大大小小的"互联网广告公司",都宣称自己掌握了基 ...

  2. 效果广告点击率预估实践：在线学习

    效果广告点击率预估实践:在线学习 原创 2016-03-24 腾讯大数据 腾讯大数据 1.引言 技术钻研如逆水行舟,不进则退.公司的广告业务发展非常迅猛,有目共睹,激烈的外部竞争和客户越来越高的期望, ...

  3. 点击率预估模型汇总_CIKM20MiNet：阿里|跨域点击率预估混合兴趣模型

    " 本文介绍了阿里提出的一种利用跨域信息的CTR预估模型,基于UC头条的应用场景,将新闻feed流作为源域,广告作为目标域.跨域点击率预估的最大优势在于通过使用跨域数据,目标域中的数据稀疏和 ...

  4. 程序化广告交易中的点击率预估

    程序化广告交易中的点击率预估 指标 广告点击率预估是程序化广告交易框架的非常重要的组件,点击率预估主要有两个层次的指标: 1. 排序指标.排序指标是最基本的指标,它决定了我们有没有能力把最合适的广告找 ...

  5. 【论文解读】CIKM20-MiNet：阿里|跨域点击率预估混合兴趣模型

    " 本文介绍了阿里提出的一种利用跨域信息的CTR预估模型,基于UC头条的应用场景,将新闻feed流作为源域,广告作为目标域.跨域点击率预估的最大优势在于通过使用跨域数据,目标域中的数据稀疏和 ...

  6. 一文总结排序模型CTR点击率预估

    ​CTR点击率预估系列家谱 炼丹之前,先放一张CTR预估系列的家谱,让脉络更加清晰. (一)FiBiNET:结合特征重要性和双线性特征交互进行CTR预估 1.1 背景 本文发表在RecSys 2019 ...

  7. 推荐算法炼丹笔记：排序模型CTR点击率预估系列

    微信公众号:炼丹笔记 ​CTR点击率预估系列家谱 炼丹之前,先放一张CTR预估系列的家谱,让脉络更加清晰. (一)FiBiNET:结合特征重要性和双线性特征交互进行CTR预估 1.1 背景 本文发表在 ...

  8. 推荐搜索炼丹笔记：SIM 用户行为序列点击率预估模型

    作者:十方,公众号:炼丹笔记 Search-based User Interest Modeling with Lifelong Sequential Behavior Data for Click- ...

  9. 推荐算法炼丹笔记：CTR点击率预估系列入门手册

    ​CTR点击率预估系列家谱 炼丹之前,先放一张CTR预估系列的家谱,让脉络更加清晰. (一)FiBiNET:结合特征重要性和双线性特征交互进行CTR预估 1.1 背景 本文发表在RecSys 2019 ...

最新文章

  1. 对比 5 种分布式事务方案，还是宠幸了阿里的 Seata（原理 + 实战）
  2. vscode如何找letax模板_一直努力却找不到变美思路？韩国新一代「整容模板」，教你如何提高美商、科学变美！...
  3. 异常分发（内核异常）
  4. 神经网络实现xor_在神经网络中实现逻辑门和XOR解决方案
  5. 进程 、进程组、会话、控制终端之间的关系
  6. 阿里云上Kubernetes集群联邦
  7. css div设置inline-block后 div顶部对齐
  8. yum更新php版本,yum php版本太低怎么办
  9. 银行票据+票据池相关的项目讲解
  10. 2020手机的像素密度ppi排行_5g手机排行榜最新2020年11月5g手机性价比排行榜
  11. 显著性检测论文梳理（Saliency Detection）
  12. 计算机语言排行之我见
  13. ios 查看crash日志
  14. Kettle【部署 02】Linux环境 Kettle pdi-ce-9.0.0.0-423 安装部署 carte 服务运行及 Java 集群调用实例（安装包1.85G+测试ktr\kjb\源码）
  15. Cadence Allegro PCB添加泪滴的方法
  16. 骨传导品牌排行榜前十名，2022十大骨传导耳机品牌
  17. java 第六次实验_操作系统第六次实验报告——使用信号量解决哲学家进餐问题...
  18. excel表格多行空白，让空白行临近上方的数据自动填充到空白行
  19. Oracle-1 - ：超级适合初学者的入门级笔记，CRUD,事务，约束 ......
  20. Android 12小时制/24小时制获取方式及转换

热门文章

  1. Tornado入门三
  2. 获取apk的package name 和 Activity
  3. C语言每日一题之No.9
  4. javascript按字节截取标题中字符串
  5. 美国人跨入中产行列的6个指标。
  6. 为利用 QT 制作的项目设置图标
  7. 转载：vscode gcc makefile git 配置入门
  8. 机器人学习--双目视觉测距
  9. SQL Server 2014安装教程
  10. vc实现透明位图，透明背景