توليد الميزات باستخدام الشبكة العصبية التلافيفية للتنبؤ بمعدل النقر

تنبؤ معدل النقر (CTR) هو مهمة مهمة في أنظمة التوصية، والتي تهدف إلى تقدير احتمالية نقر المستخدم على عنصر معين. مؤخرًا، تم اقتراح العديد من النماذج العميقة لتعلم التفاعلات ذات الرتبة المنخفضة والمرتفعة من الخصائص الأصلية. ومع ذلك، بما أن التفاعلات المفيدة تكون دائمًا نادرة، فإنها تشكل تحديًا للشبكات العصبية العميقة (DNN) لتعلمها بكفاءة تحت عدد كبير من المعلمات. في السياقات الحقيقية، يمكن للأخصائص الاصطناعية تحسين أداء النماذج العميقة (مثل التعلم العميق والواسع)، ولكن هندسة الخصائص باهظة الثمن وتتطلب معرفة بالمجال، مما يجعلها غير عملية في سياقات مختلفة. لذلك، من الضروري توسيع فضاء الخصائص بشكل آلي. في هذا البحث، نقترح نموذجًا جديدًا لتوليد الخصائص باستخدام الشبكة العصبية التلافيفية (FGCNN) يتكون من مكونين: توليد الخصائص وتصنيف عمقي. يستفيد مكون توليد الخصائص من قوة الشبكات التلافيفية (CNN) لإنشاء الأنماط المحلية وإعادة تركيبها لتوليد خصائص جديدة. يعتمد مكون تصنيف عمقي على هيكل IPNN لتعلم التفاعلات من فضاء الخصائص الموسّع. أظهرت نتائج التجارب على ثلاثة مجموعات بيانات كبيرة أن FGCNN يتفوق بشكل كبير على تسعة نماذج رائدة. بالإضافة إلى ذلك، عند استخدام بعض النماذج الرائدة كمكون للتصنيف العميق، يتم دائمًا تحقيق أداء أفضل، مما يدل على توافق كبير لنموذجنا FGCNN. يعمل هذا البحث على استكشاف اتجاه جديد للتنبؤ بمعدل النقر: إن تحديد الخصائص المهمة بشكل آلي يعد أمرًا بالغ الفائدة لتقليل صعوبات تعلم DNN.