摘要
本文概述了我们团队 ISISTANITOS 参加 ACM RecSys Challenge 2023 所采用的方法。本次竞赛由 ShareChat 主办，旨在预测用户点击应用广告和/或安装应用的概率，以优化深度转化漏斗，并特别关注用户隐私保护。我们提出的方法将点击概率与安装概率视为两个相互关联但独立的任务。因此，模型分别为每个任务设计了一组特定特征，同时共享一组通用特征。我们的模型名为加权多层级特征分解（Weighted Multi-Level Feature Factorization），其核心思想是考虑不同层级特征之间的交互作用，其中“层级”对应神经网络中的深度层次。对于某一具体任务的预测结果，通过在不同层级上融合任务专属特征与共享特征来生成。在学术赛道（academia-track）的最终排名中，我们的提交结果位列第11名，综合得分为55。我们已将源代码公开，地址为：https://github.com/knife982000/RecSys2023Challenge