التعلم العميق على البيانات الفئوية متعددة المجالات: دراسة حالة حول تنبؤ استجابة المستخدم

توقع استجابات المستخدمين، مثل معدل النقر ومعدل التحويل، هو أمر حاسم في العديد من تطبيقات الويب، بما في ذلك البحث على الويب، التوصيات الشخصية، والإعلان عبر الإنترنت. على عكس الخصائص الأولية المستمرة التي نجدها عادةً في مجالات الصور والصوت، فإن الخصائص الإدخالية في مساحة الويب غالبًا ما تكون متعددة الحقول ومتقطعة وتصنيفية بينما تكون اعتماداتها غير معروفة إلى حد كبير. يجب على نماذج توقع استجابة المستخدم الرئيسية إما أن تقتصر على النماذج الخطية أو تتطلب بناء خصائص تركيبية من الدرجة العالية يدويًا. يؤدي الأولى إلى فقدان قدرة استكشاف التفاعلات بين الخصائص، بينما يؤدي الثانية إلى زيادة الحسابات بشكل كبير في مساحة الخصائص الكبيرة. لحل هذه المشكلة، نقترح نموذجين جديدين يستخدمان الشبكات العصبونية العميقة (DNNs) لتعلم الأنماط الفعالة تلقائيًا من تفاعلات الخصائص التصنيفية وإجراء توقعات بالنقرات الإعلانية للمستخدمين. لتحقيق عمل شبكاتنا العصبونية العميقة بكفاءة، نقترح الاستفادة من ثلاث طرق تحويل خاصية، وهي آلات التحليل العامل (FMs)، وأجهزة بولتزمان المقيدة (RBMs)، والترميز الآلي المقاوم للضوضاء (DAEs). يقدم هذا البحث هيكل نماذجنا وخوارزميات التدريب الفعالة لها. تظهر التجارب الضخمة باستخدام بيانات حقيقية أن طرائقنا تعمل بشكل أفضل من النماذج الرائدة الأكثر حداثة.