CETN: تحسين التباين من خلال الشبكة للتنبؤ بـ CTR

تنبؤ معدل النقر (CTR) يُعد مهمة حاسمة في أنظمة استرجاع المعلومات الشخصية، مثل أنظمة التوصية الصناعية والإعلانات عبر الإنترنت ومحركات البحث على الويب. تعتمد معظم النماذج الحالية لتنبؤ CTR على تفاعلات الميزات الصريحة للتفوق على الحد الأقصى للأداء الناتج عن التفاعلات الضمنية للميزات. وبالتالي، تم اقتراح نماذج CTR العميقة المستندة إلى هياكل متوازية (مثل DCN وFinalMLP وxDeepFM) للحصول على معلومات مجمعة من فضاءات معنوية مختلفة. ومع ذلك، تفتقر هذه المكونات الفرعية المتوازية إلى إشارات رقابة فعالة، مما يجعل من الصعب التقاط معلومات تفاعلية متعددة الأوجه من الميزات بكفاءة في فضاءات معنوية مختلفة. ولحل هذه المشكلة، نقترح نموذجًا جديدًا بسيطًا وفعالًا لتنبؤ CTR يُسمى: الشبكة المُعززة بالتباين لتنبؤ CTR (CETN)، بهدف ضمان التنوّع والتماسك في معلومات تفاعل الميزات. بشكل خاص، يستخدم CETN تفاعلات الميزات القائمة على الضرب، وينسّق مفهوم التحفيز (الاضطراب) من التعلم المُقَوَّم (Contrastive Learning) لتقسيم فضاءات معنوية مختلفة، كل منها يمتلك دوال نشاط مميزة. وهذا يُحسّن التنوّع في المعلومات التي يُمكن للنموذج التقاطها من تفاعلات الميزات. علاوةً على ذلك، نُدخل إشارات ذاتية التدريب (Self-supervised signals) واتصالات عبرية (Through connections) داخل كل فضاء معنوي لضمان التماسك في معلومات التفاعل المُستخلَصة. وقد أظهرت التجارب والبحوث التي أُجريت على أربع مجموعات بيانات حقيقية أن نموذجنا يتفوّق باستمرار على عشرين نموذجًا أساسيًا من حيث قياسات AUC وLogloss.