摘要
点击率（Click-Through Rate, CTR）估计已成为众多实际应用场景中的核心任务，为此已提出多种深度学习模型。已有研究证明，FiBiNet模型在性能上表现优异，尤其在Avazu数据集上超越了所有其他对比模型。然而，FiBiNet模型庞大的参数规模限制了其更广泛的应用。本文提出一种新型的FiBiNet++模型，通过重构FiBiNet的网络结构，在显著降低模型规模的同时进一步提升了模型性能。其中一项关键技术是本文提出的“低秩层”（Low Rank Layer），该层专注于特征交互建模，成为实现高效模型压缩的关键驱动力。在三个公开数据集上的大量实验结果表明，FiBiNet++相较于原始FiBiNet，能够将非嵌入层（non-embedding）参数量减少12至16倍。与此同时，FiBiNet++在CTR预测性能上显著优于当前最先进的方法，包括原始的FiBiNet模型。