基于卷积神经网络的点击率预测特征生成

点击率预测是推荐系统中的一个重要任务，其目标是估计用户点击某个项目的概率。近年来，许多深度模型被提出，旨在从原始特征中学习低阶和高阶特征交互。然而，由于有用的交互通常是稀疏的，在大量参数的情况下，深度神经网络（DNN）难以有效地学习这些交互。在实际应用中，人工特征可以提高深度模型（如宽深学习）的性能，但特征工程既昂贵又需要领域知识，这使得在不同场景下难以实现。因此，自动扩展特征空间变得必要。本文提出了一种基于卷积神经网络的新型特征生成模型（FGCNN），该模型包含两个组件：特征生成和深度分类器。特征生成利用了卷积神经网络（CNN）的优势来生成局部模式，并重新组合这些模式以生成新的特征。深度分类器采用了IPNN的结构，从扩展后的特征空间中学习交互。在三个大规模数据集上的实验结果表明，FGCNN显著优于九个最先进的模型。此外，当将一些最先进的模型作为深度分类器时，性能总是有所提升，展示了我们提出的FGCNN模型具有良好的兼容性。这项工作探索了点击率预测的一个新方向：通过自动识别重要特征来减少DNN的学习难度是非常有效的。