Génération de caractéristiques par réseau neuronal convolutif pour la prédiction du taux de clics

La prédiction du taux de clic (CTR) est une tâche importante dans les systèmes de recommandation, visant à estimer la probabilité qu'un utilisateur clique sur un élément donné. Récemment, de nombreux modèles profonds ont été proposés pour apprendre les interactions de faible et haute ordre à partir des caractéristiques originales. Cependant, étant donné que les interactions utiles sont souvent rares, il est difficile pour les réseaux neuronaux profonds (DNN) d'apprendre efficacement ces interactions en présence d'un grand nombre de paramètres. Dans des scénarios réels, l'ajout de caractéristiques artificielles peut améliorer les performances des modèles profonds (comme le Wide & Deep Learning), mais l'ingénierie des caractéristiques est coûteuse et nécessite une connaissance approfondie du domaine, ce qui la rend peu pratique dans différents contextes. Par conséquent, il est nécessaire d'augmenter automatiquement l'espace des caractéristiques. Dans cet article, nous proposons un nouveau modèle appelé Feature Generation by Convolutional Neural Network (FGCNN) composé de deux parties : la Génération de Caractéristiques et le Classifieur Profond. La Génération de Caractéristiques utilise la puissance du réseau neuronal convolutif (CNN) pour générer des motifs locaux et les recombiner afin de créer de nouvelles caractéristiques. Le Classifieur Profond adopte la structure d'un Perceptron Neuronal Interactif (IPNN) pour apprendre les interactions à partir de l'espace des caractéristiques augmenté. Les résultats expérimentaux sur trois grands ensembles de données montrent que FGCNN dépasse significativement neuf modèles d'avant-garde. De plus, lorsqu'on applique certains modèles d'avant-garde comme Classifieur Profond, une meilleure performance est toujours obtenue, démontrant ainsi la grande compatibilité de notre modèle FGCNN. Ce travail explore une nouvelle direction pour les prédictions CTR : il est très utile de réduire les difficultés d'apprentissage des DNN en identifiant automatiquement les caractéristiques importantes.