TFNet: Multi-Semantic Feature Interaction für die CTR-Vorhersage

Die Vorhersage der Klick-Through-Rate (CTR) spielt eine zentrale Rolle im Bereich des computergestützten Online-Werbens und von Empfehlungssystemen. In diesem Bereich wurden bereits verschiedene Methoden vorgeschlagen, darunter Logistic Regression (LR), Factorization Machines (FM) sowie tiefenlernbasierte Ansätze wie Wide&Deep, Neural Factorization Machines (NFM) und DeepFM. Allerdings nutzen solche Ansätze im Allgemeinen das Vektorprodukt jedes Merkmalspaars, wodurch die unterschiedlichen semantischen Räume der Merkmalsinteraktionen häufig vernachlässigt werden. In diesem Artikel stellen wir ein neuartiges Tensor-basiertes Merkmalsinteraktionsnetzwerk (TFNet) vor, das einen Operatortensor einführt, um Merkmalsinteraktionen durch mehrere Matrix-Slices in mehreren semantischen Räumen präzise zu modellieren. Umfangreiche Offline- und Online-Experimente zeigen, dass TFNet: 1) die Leistungsfähigkeit gegenüber konkurrierenden Methoden auf den typischen Datensätzen Criteo und Avazu übertrifft; 2) in Online-A/B-Tests innerhalb des größten chinesischen App-Empfehlungssystems, Tencent MyApp, eine erhebliche Steigerung von Umsatz und Klickrate erzielt.