基于注意力的深度因子分解机模型研究

摘要：

点击率(click-through rate,CTR)预估是计算广告学中的核心研究问题,现有研究方法构建的特征信息有限,并且无法区分不同特征信息对结果的影响.基于上述问题,本文提出基于注意力的深度因子分解机(attention-based neural factorization machine,ANFM).首先,ANFM将低阶交叉特征输入到深度神经网络来自动学习丰富的高阶交叉特征,旨在减轻深度神经网络的学习压力,同时采用注意力机制捕获不同特征交叉对结果的贡献度.通过在两个实际数据集上的实验表明,ANFM模型在CTR性能上相较于因子分解机(factorization machine,FM)分别有5.9％和10％的提升,相较于Wide&Deep分别有1.9％和6.9％的提升.同时相较于其他深度点击预测模型,ANFM结构简单,性能更好.

关键词：人工智能、点击率预测、特征交叉、低阶特征、高阶特征、注意力机制

所属期刊栏目：12

分类号：TP391(计算技术、计算机技术)

在线出版日期：2021-11-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：371-382