用于点击率预测的深度时空神经网络

点击率（CTR）预测是在线广告系统中的关键任务。大量研究将每个广告视为独立个体进行考虑，但忽略了其他可能影响CTR的广告之间的关系。在本文中，我们探讨了多种辅助广告以提高目标广告的CTR预测准确性。具体而言，我们从两个角度来探索辅助广告：一是空间域，即在同一页面上目标广告上方展示的上下文广告；二是时间域，即用户历史上点击和未点击的广告。我们的直觉是，同时展示的广告可能会相互影响，已点击的广告反映了用户的偏好，而未点击的广告则在一定程度上表明了用户不喜欢的内容。为了有效利用这些辅助数据，我们提出了用于CTR预测的深度时空神经网络（DSTNs）。该模型能够学习每种辅助数据与目标广告之间的交互作用，强调更重要的隐含信息，并在一个统一框架内融合异构数据。我们在一个公开数据集和两个工业数据集上的离线实验表明，DSTNs在CTR预测方面优于几种最先进的方法。我们已在神马搜索中部署了表现最佳的DSTN模型，神马搜索是中国第二大搜索引擎。A/B测试结果表明，与我们之前的上线模型相比，在线CTR也得到了显著提升。