Deep Context Interest Network for Click-Through Rate Prediction

要約

ユーザーが項目をクリックする確率を推定するクリックスルー率 (CTR) 予測は、オンライン広告などの産業用途では不可欠です。
多くの研究では、CTR 予測パフォーマンスを向上させるためにユーザー行動モデリングに焦点を当てています。
しかし、それらの方法のほとんどは、ユーザーのクリック項目からユーザーの肯定的な関心をモデル化するだけであり、クリックの周囲の表示項目であるコンテキスト情報を無視しているため、パフォーマンスが劣ります。
この論文では、ユーザー行動モデリングにおけるコンテキスト情報の重要性を強調し、ユーザーのコンテキストを意識した興味を学習するためにクリックとその表示コンテキストを統合的にモデル化するディープコンテキストインタレストネットワーク（DCIN）と呼ばれる新しいモデルを提案します。
DCIN は 3 つの主要なモジュールで構成されます。1) 位置認識コンテキスト集約モジュール (PCAM)。アテンション メカニズムを使用して表示項目の集約を実行します。
2) フィードバック コンテキスト フュージョン モジュール (FCFM)。非線形機能の相互作用を通じて、クリックの表現と表示コンテキストを融合します。
3) インタレスト マッチング モジュール (IMM)。ターゲット アイテムに関連するインタレストをアクティブ化します。
さらに、当社の DCIN モデルを大規模産業システムに実装するための実践的なソリューションも提供します。
オフライン評価とオンライン評価の両方における大幅な改善は、私たちが提案する DCIN 手法の優位性を示しています。
特に、DCIN は主要なトラフィックを処理するオンライン広告システムに導入されており、1.5% の CTR と 1.5% の RPM 上昇をもたらしています。

要約(オリジナル)

Click-Through Rate (CTR) prediction, estimating the probability of a user clicking on an item, is essential in industrial applications, such as online advertising. Many works focus on user behavior modeling to improve CTR prediction performance. However, most of those methods only model users’ positive interests from users’ click items while ignoring the context information, which is the display items around the clicks, resulting in inferior performance. In this paper, we highlight the importance of context information on user behavior modeling and propose a novel model named Deep Context Interest Network (DCIN), which integrally models the click and its display context to learn users’ context-aware interests. DCIN consists of three key modules: 1) Position-aware Context Aggregation Module (PCAM), which performs aggregation of display items with an attention mechanism; 2) Feedback-Context Fusion Module (FCFM), which fuses the representation of clicks and display contexts through non-linear feature interaction; 3) Interest Matching Module (IMM), which activates interests related with the target item. Moreover, we provide our hands-on solution to implement our DCIN model on large-scale industrial systems. The significant improvements in both offline and online evaluations demonstrate the superiority of our proposed DCIN method. Notably, DCIN has been deployed on our online advertising system serving the main traffic, which brings 1.5% CTR and 1.5% RPM lift.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google